| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 人脸识别研究背景及意义 | 第13-14页 |
| 1.2 人脸识别发展历程和现状 | 第14-15页 |
| 1.3 光照对人脸识别的影响 | 第15-17页 |
| 1.4 光照测试人脸库 | 第17-19页 |
| 1.4.1 Yale B人脸库 | 第17-18页 |
| 1.4.2 Extended Yale B人脸库 | 第18页 |
| 1.4.3 CMUPIE人脸库 | 第18-19页 |
| 1.5 本文研究内容与结构安排 | 第19-22页 |
| 第2章 图像预处理及人脸检测 | 第22-34页 |
| 2.1 图像预处理 | 第22-27页 |
| 2.1.1 基于空域的图像预处理 | 第22-25页 |
| 2.1.2 基于频域的图像预处理 | 第25-27页 |
| 2.2 基于Adaboost算法的人脸检测 | 第27-32页 |
| 2.2.1 Haar-like特征 | 第27-28页 |
| 2.2.2 训练Adaboost分类器 | 第28-30页 |
| 2.2.3 级联Adaboost强分类器 | 第30页 |
| 2.2.4 人脸检测实验 | 第30-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于Retinex理论的光照处理算法 | 第34-44页 |
| 3.1 Retinex理论 | 第34-35页 |
| 3.2 Retinex算法的实现 | 第35-38页 |
| 3.2.1 单尺度Retinex算法(SSR) | 第35-37页 |
| 3.2.2 多尺度Retinex算法(MSR) | 第37-38页 |
| 3.3 Retinex算法的不足和改进 | 第38-43页 |
| 3.3.1 改进的Retinex算法 | 第38-40页 |
| 3.3.2 改进后的Retinex算法效果 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于自商图像理论的光照处理算法 | 第44-54页 |
| 4.1 商图像法 | 第44-46页 |
| 4.2 自商图像法 | 第46-48页 |
| 4.3 融合自适应双边滤波的自商图像算法 | 第48-53页 |
| 4.3.1 双边滤波 | 第48-49页 |
| 4.3.2 自适应双边滤波 | 第49-50页 |
| 4.3.3 融合自适应双边滤波的自商图像算法流程和步骤 | 第50页 |
| 4.3.4 实验结果及分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 分类器设计和人脸识别系统搭建 | 第54-66页 |
| 5.1 基于支持向量机的分类器设计 | 第54-57页 |
| 5.1.1 支持向量机基础 | 第54-55页 |
| 5.1.2 线性支持向量机 | 第55-56页 |
| 5.1.3 非线性支持向量机与核函数 | 第56-57页 |
| 5.1.4 支持向量机在人脸识别中应用 | 第57页 |
| 5.2 基于Opencv的人脸识别系统搭建 | 第57-64页 |
| 5.2.1 Opencv简介 | 第57-58页 |
| 5.2.2 Opencv基于MFC的编译与配置 | 第58-60页 |
| 5.2.3 人脸识别系统及子模块 | 第60-61页 |
| 5.2.4 复杂光照下人脸识别界面和效果 | 第61-64页 |
| 5.3 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 论文研究工作总结 | 第66页 |
| 不足与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文及学术成果 | 第72-74页 |
| 致谢 | 第74页 |