| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-20页 |
| ·课题的研究背景和意义 | 第11-12页 |
| ·国内外研究现状 | 第12页 |
| ·人脸检测与跟踪的难点 | 第12-13页 |
| ·人脸检测和人脸跟踪的主要方法 | 第13-18页 |
| ·人脸检测的主要方法 | 第13-15页 |
| ·人脸跟踪的主要方法 | 第15-18页 |
| ·论文的工作内容和结构安排 | 第18-20页 |
| ·论文的主要工作 | 第18页 |
| ·论文的结构安排 | 第18-20页 |
| 第二章 运动检测与肤色检测 | 第20-35页 |
| ·引言 | 第20页 |
| ·运动检测 | 第20-25页 |
| ·帧差法 | 第21-22页 |
| ·背景减法 | 第22-23页 |
| ·自适应背景更新策略 | 第23-25页 |
| ·肤色检测 | 第25-30页 |
| ·颜色空间 | 第26-28页 |
| ·肤色聚类 | 第28页 |
| ·Hsu 椭圆肤色模型 | 第28-30页 |
| ·椭圆模型的局限性 | 第30页 |
| ·自适应肤色检测 | 第30-33页 |
| ·自适应肤色模型 | 第30-31页 |
| ·自适应肤色检测算法 | 第31-33页 |
| ·投影法快速区域提取 | 第33页 |
| ·实验结果分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于 AdaBoost 人脸检测算法的分析与实现 | 第35-50页 |
| ·引言 | 第35页 |
| ·类 Haar 特征 | 第35-38页 |
| ·类Haar 的概念 | 第35-36页 |
| ·积分图 | 第36-38页 |
| ·级联型分类器 | 第38-39页 |
| ·弱分类器 | 第38-39页 |
| ·强分类器 | 第39页 |
| ·基于 AdaBoost 算法的分类器训练 | 第39-45页 |
| ·AdaBoost 算法 | 第39-40页 |
| ·样本的选取 | 第40-41页 |
| ·弱分类器的训练过程 | 第41-42页 |
| ·强分类器的训练过程 | 第42-44页 |
| ·级联型分类器的训练过程 | 第44-45页 |
| ·级联型分类器的检测过程 | 第45-47页 |
| ·实验结果 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第四章 MeanShift 人脸跟踪技术的分析与实现 | 第50-58页 |
| ·引言 | 第50页 |
| ·目标跟踪中的 Mean Shift 算法 | 第50-52页 |
| ·Mean Shift 算法的改进[60] | 第52-54页 |
| ·多人脸自动初始化快速跟踪系统[64] | 第54-57页 |
| ·多人脸跟踪的难点 | 第54页 |
| ·最优排序法与目标消除法 | 第54-55页 |
| ·目标的对应 | 第55页 |
| ·实验结果分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 银行营业场所智能视觉监控系统的实现 | 第58-67页 |
| ·引言 | 第58页 |
| ·智能监控系统的组成 | 第58-62页 |
| ·监控前端 | 第59-61页 |
| ·数据网络传输 | 第61页 |
| ·智能处理后端 | 第61-62页 |
| ·银行等营业场所智能监控功能 | 第62-66页 |
| ·智能监控系统功能简介 | 第62-63页 |
| ·智能报警功能 | 第63-64页 |
| ·智能回放功能 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·本文的工作总结 | 第67页 |
| ·工作展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间发表的学术论文及参与的科研项目 | 第75-76页 |
| 致谢 | 第76页 |