| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 人脸检测的研究背景与意义 | 第11-12页 |
| 1.2 人脸检测研究现状 | 第12-13页 |
| 1.3 人脸检测方法概述 | 第13-16页 |
| 1.3.1 基于启发式模型的方法 | 第13-14页 |
| 1.3.2 基于模板匹配的方法 | 第14页 |
| 1.3.3 基于统计学习模型的方法 | 第14-16页 |
| 1.4 人脸检测方法的评价指标 | 第16-17页 |
| 1.5 本文的主要工作及结构安排 | 第17-19页 |
| 第2章 Haar特征与Adaboost算法 | 第19-33页 |
| 2.1 Haar型特征与积分图 | 第19-22页 |
| 2.1.1 Haar型特征 | 第19-20页 |
| 2.1.2 Haar特征的计算—积分图 | 第20-22页 |
| 2.2 机器学习与PAC模型 | 第22-23页 |
| 2.3 Adaboost学习算法 | 第23-28页 |
| 2.3.1 Adaboost算法简介 | 第23-25页 |
| 2.3.2 弱分类器最优阈值的确定 | 第25-26页 |
| 2.3.3 Adaboost算法训练误差分析 | 第26-28页 |
| 2.4 RealAdaboost学习算法 | 第28-31页 |
| 2.4.1 RealAdaboost算法简介 | 第28-30页 |
| 2.4.2 RealAdaboost算法训练误差分析 | 第30-31页 |
| 2.5 两种算法的实验对比 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于遗传算法改进的RealAdaboost算法 | 第33-51页 |
| 3.1 RealAdaboost算法改进方案 | 第33-35页 |
| 3.2 遗传算法优化模型的建立 | 第35-45页 |
| 3.2.1 模型的编码 | 第36页 |
| 3.2.2 模型适应度函数的设计 | 第36-37页 |
| 3.2.3 精英策略 | 第37-38页 |
| 3.2.4 遗传算子以及控制参数的确定 | 第38-40页 |
| 3.2.5 样本权重积分表 | 第40-41页 |
| 3.2.6 遗传算法寻优流程 | 第41-42页 |
| 3.2.7 寻优结果分析 | 第42-45页 |
| 3.3 改进算法训练流程与性能分析 | 第45-49页 |
| 3.3.1 弱分类器输出的设计 | 第45-46页 |
| 3.3.2 训练流程 | 第46-47页 |
| 3.3.3 强分类器的训练结果 | 第47-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于改进RealAdaboost算法的人脸检测设计 | 第51-65页 |
| 4.1 训练样本的获取与特征提取优化 | 第51-55页 |
| 4.1.1 获取训练样本 | 第51-52页 |
| 4.1.2 样本Haar特征的提取 | 第52-54页 |
| 4.1.3 样本特征优化 | 第54-55页 |
| 4.2 瀑布型级联分类器 | 第55-59页 |
| 4.2.1 瀑布型检测器 | 第55-57页 |
| 4.2.2 级联分类器的训练 | 第57-58页 |
| 4.2.3 多尺度自举负样本 | 第58-59页 |
| 4.3 检测窗口的合并策略 | 第59-61页 |
| 4.4 实验结果分析 | 第61-64页 |
| 4.4.1 人脸检测器训练结果 | 第61-62页 |
| 4.4.2 人脸检测器检测结果 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
