| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景和研究意义 | 第10页 |
| 1.2 研究的主要内容 | 第10-11页 |
| 1.2.1 人脸检测及算法 | 第10-11页 |
| 1.2.2 基于支持向量机的AdaBoost算法改进研究 | 第11页 |
| 1.2.3 改进基于模块化 2D-LDA的人脸识别算法 | 第11页 |
| 1.3 创新点 | 第11页 |
| 1.4 研究方法 | 第11-13页 |
| 第2章 相关技术及研究综述 | 第13-19页 |
| 2.1 人脸识别技术 | 第13-14页 |
| 2.1.1 五官规则 | 第13页 |
| 2.1.2 轮廓规则 | 第13页 |
| 2.1.3 中分规则 | 第13-14页 |
| 2.2 人脸检测途径 | 第14-17页 |
| 2.2.1 人脸检测简介 | 第14页 |
| 2.2.2 常用的人脸检测方法 | 第14-17页 |
| 2.3 国内外研究现状 | 第17-19页 |
| 2.3.1 国外的发展概况 | 第17页 |
| 2.3.2 国内的发展概况 | 第17-19页 |
| 第3章 视频监控中人脸识别及跟踪的应用 | 第19-33页 |
| 3.1 系统功能需求 | 第19页 |
| 3.2 人脸检测的功能模块设计 | 第19-20页 |
| 3.2.1 图像获取模块 | 第20页 |
| 3.2.2 图像预处理模块 | 第20页 |
| 3.2.3 人脸区域获取 | 第20页 |
| 3.2.4 人脸定位模块 | 第20页 |
| 3.2.5 特征提取模块 | 第20页 |
| 3.2.6 识别模块 | 第20页 |
| 3.3 系统实现步骤及图像处理 | 第20-29页 |
| 3.3.1 检测跟踪的实现步骤 | 第20-22页 |
| 3.3.2 图像的取得 | 第22-24页 |
| 3.3.3 人脸数据的处理 | 第24-29页 |
| 3.4 实时跟踪效果 | 第29-32页 |
| 3.4.1 人脸跟踪介绍 | 第29-30页 |
| 3.4.2 人脸跟踪的实现方法 | 第30-31页 |
| 3.4.3 人脸跟踪的实验结果 | 第31-32页 |
| 3.4.4 对人脸跟踪存在问题的处理 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于模块化 2D-LDA人脸识别算法的改进 | 第33-41页 |
| 4.1 基于PCA的人脸识别算法概述 | 第33-35页 |
| 4.2 本文的人脸识别算法 | 第35-37页 |
| 4.2.1 人脸识别的改进 | 第35-36页 |
| 4.2.2 改进算法在视频监控系统中的应用 | 第36-37页 |
| 4.3 基于模块化 2D-LDA的人脸识别算法实验 | 第37-39页 |
| 4.3.1 人脸数据库样本 | 第37页 |
| 4.3.2 人脸样本的扩充 | 第37-38页 |
| 4.3.3 视频识别效果 | 第38-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第5章 基于AdaBoost学习算法的改进 | 第41-59页 |
| 5.1 AdaBoost学习算法 | 第41-43页 |
| 5.1.1 算法的原理 | 第41-42页 |
| 5.1.2 算法讨论 | 第42-43页 |
| 5.2 积分图像 | 第43-47页 |
| 5.2.1 矩形特征 | 第43-44页 |
| 5.2.2 积分图 | 第44-45页 |
| 5.2.3 级联分类器 | 第45-47页 |
| 5.3 基于AdaBoost人脸检测算法的改进 | 第47-53页 |
| 5.3.1 支持向量机 | 第47-49页 |
| 5.3.2 对AdaBoost算法的改进 | 第49-53页 |
| 5.4 改进后的算法在视频监控中的测试实验结果 | 第53-57页 |
| 5.4.1 改进前人脸检测与跟踪实验结果及数据 | 第53-55页 |
| 5.4.2 改进后人脸检测与跟踪实验结果及数据 | 第55-57页 |
| 5.5 本章小结 | 第57-59页 |
| 结束语 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 在校期间发表的学术论文 | 第64页 |
