几种人脸识别算法的研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 国内外相关研究综述 | 第7-11页 |
| 1.1 相关研究文献综述 | 第7-8页 |
| 1.2 研究的主要内容及成果 | 第8-9页 |
| 1.2.1 主要研究内容 | 第8-9页 |
| 1.2.2 成果 | 第9页 |
| 1.3 论文的总体结构安排 | 第9-11页 |
| 2 基于SVM和HOG算法分类器的人脸识别 | 第11-32页 |
| 2.1 支持向量机算法(SVM) | 第11-18页 |
| 2.1.1 SVM简介 | 第11页 |
| 2.1.2 线性分类器及其求解过程 | 第11-14页 |
| 2.1.3 SVM中的核函数 | 第14-15页 |
| 2.1.4 SVM中的松弛变量 | 第15-17页 |
| 2.1.5 数据偏斜和惩罚因子 | 第17-18页 |
| 2.2 方向梯度直方图(HOG) | 第18-21页 |
| 2.2.1 HOG特征理论 | 第18-19页 |
| 2.2.2 实现HOG特征提取算法过程 | 第19-21页 |
| 2.2.3 HOG的优点 | 第21页 |
| 2.2.4 HOG的缺点 | 第21页 |
| 2.3 实验项目开发环境 | 第21-24页 |
| 2.3.1 OpenCV描述 | 第21-22页 |
| 2.3.2 OpenCV安装与配置 | 第22-24页 |
| 2.4 SVM分类器 | 第24-27页 |
| 2.4.1 构造训练样本库 | 第25-26页 |
| 2.4.2 训练SVM分类器 | 第26-27页 |
| 2.5 SVM分类器在人脸识别中的应用 | 第27-31页 |
| 2.5.1 人脸识别流程 | 第27-28页 |
| 2.5.2 人脸识别评价标准 | 第28-29页 |
| 2.5.3 基于教室环境下的人脸识别 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 基于Adaboost算法分类器的人脸识别 | 第32-42页 |
| 3.1 Adaboost算法的来历 | 第32页 |
| 3.2 Adaboost算法介绍 | 第32-35页 |
| 3.2.1 算法描述 | 第32页 |
| 3.2.2 弱分类器 | 第32-33页 |
| 3.2.3 强分类器 | 第33-34页 |
| 3.2.4 级联分类器 | 第34-35页 |
| 3.3 haar-like特征的表示及计算 | 第35-36页 |
| 3.3.1 最初的haar-like特征 | 第35页 |
| 3.3.2 改进的haar-like特征 | 第35-36页 |
| 3.4 积分图方法 | 第36-38页 |
| 3.4.1 0度倾斜角的积分图 | 第37页 |
| 3.4.2 45度倾斜角的积分图 | 第37-38页 |
| 3.5 Adaboost分类器在人脸识别中的应用 | 第38-40页 |
| 3.5.1 训练分类器 | 第38-39页 |
| 3.5.2 基于教室环境下的人脸识别 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 基于粒子群优化神经网络算法的人脸识别 | 第42-53页 |
| 4.1 BP神经网络的基本原理 | 第42-47页 |
| 4.1.1 BP神经元 | 第42-43页 |
| 4.1.2 BP网络 | 第43-47页 |
| 4.2 粒子群优化算法理论 | 第47-49页 |
| 4.2.1 基本原理 | 第47-48页 |
| 4.2.2 粒子群优化算法优势 | 第48页 |
| 4.2.3 实现粒子群优化算法 | 第48-49页 |
| 4.3 粒子群优化神经网络算法应用 | 第49-50页 |
| 4.4 基于教室环境下的人脸识别 | 第50-52页 |
| 4.4.1 人脸图像库 | 第50页 |
| 4.4.2 粒子群优化神经网络在人脸库的实验 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 总结 | 第53-54页 |
| 5.1 论文研究的主要内容 | 第53页 |
| 5.2 实验取得的成果 | 第53页 |
| 5.3 存在的不足及下一步工作 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录A | 第58-61页 |
| 附录B | 第61-65页 |
| 附录C | 第65-67页 |
| 读研期间发表的论文 | 第67页 |
