| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 人脸检测研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究概况 | 第10页 |
| 1.3 人脸检测方法的评价标准 | 第10-12页 |
| 1.3.1 人脸图像数据库 | 第10-11页 |
| 1.3.2 性能评价指标 | 第11-12页 |
| 1.4 人脸检测方法分类 | 第12-18页 |
| 1.4.1 基于知识的人脸检测方法 | 第12-15页 |
| 1.4.2 基于统计模型的人脸检测方法 | 第15-18页 |
| 1.4.3 两类人脸检测方法的优缺点 | 第18页 |
| 1.5 本文主要的工作和章节安排 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 第二章 基于肤色模型的人脸区域分割 | 第20-34页 |
| 2.1 图像预处理 | 第20-21页 |
| 2.2 色彩空间 | 第21-24页 |
| 2.2.1 RGB 色彩空间 | 第21-22页 |
| 2.2.2 HSI 色彩空间 | 第22-23页 |
| 2.2.3 YUV 色彩空间 | 第23页 |
| 2.2.4 YCbCr 色彩空间 | 第23-24页 |
| 2.3 建立肤色模型 | 第24-27页 |
| 2.3.1 常用肤色模型 | 第24-25页 |
| 2.3.2 肤色高斯模型的建立 | 第25-27页 |
| 2.4 肤色区域分割 | 第27-30页 |
| 2.4.1 肤色似然图 | 第27页 |
| 2.4.2 肤色似然图阈值分割 | 第27-28页 |
| 2.4.3 二值图像的形态学滤波 | 第28-30页 |
| 2.5 人脸候选区域筛选 | 第30-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于 AdaBoost 算法的分类器训练 | 第34-48页 |
| 3.1 AdaBoost 算法的提出 | 第34-35页 |
| 3.2 Haar-like 矩形特征与积分图 | 第35-41页 |
| 3.2.1 Haar-like 矩形特征 | 第35-38页 |
| 3.2.2 积分图 | 第38-41页 |
| 3.3 利用 AdaBoost 算法训练分类器 | 第41-44页 |
| 3.3.1 弱分类器 | 第41页 |
| 3.3.2 强分类器 | 第41-43页 |
| 3.3.3 AdaBoost 训练算法中的不足及改进方法 | 第43-44页 |
| 3.4 级联分类器 | 第44-47页 |
| 3.4.1 级联分类器结构 | 第44-45页 |
| 3.4.2 级联分类器算法训练过程 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于肤色和 AdaBoost 算法的人脸检测 | 第48-60页 |
| 4.1 肤色人脸检测与 AdaBoost 人脸检测的优缺点 | 第48页 |
| 4.2 肤色和 AdaBoost 结合的人脸检测算法 | 第48-49页 |
| 4.3 训练样本的选取 | 第49-51页 |
| 4.4 人脸检测的实现 | 第51-54页 |
| 4.4.1 检测机制 | 第51-53页 |
| 4.4.2 检测过程 | 第53-54页 |
| 4.5 实验测试环境 | 第54页 |
| 4.6 实验结果及分析 | 第54-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
