| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人脸的检测技术研究现状 | 第11-12页 |
| 1.2.2 人脸跟踪技术的研究现状 | 第12-13页 |
| 1.3 文章主要研究内容 | 第13-15页 |
| 第2章 基于LEPF和光照子空间的光照预处理 | 第15-30页 |
| 2.1 Retinex算法理论 | 第15-18页 |
| 2.2 基于LEPF的人脸图像分解 | 第18-20页 |
| 2.3 基于类别的光照子空间 | 第20-23页 |
| 2.3.1 一种新的光照估计模型 | 第20-21页 |
| 2.3.2 光照图像变化量矩阵 | 第21-22页 |
| 2.3.3 光照子空间的构造 | 第22-23页 |
| 2.4 结合LEPF和光照子空间的光照处理算法 | 第23-26页 |
| 2.4.1 人脸图像光照归一化 | 第23-25页 |
| 2.4.2 算法实现步骤 | 第25-26页 |
| 2.5 实验结果与分析 | 第26-29页 |
| 2.5.1 实验方法 | 第26-27页 |
| 2.5.2 样本数量的选择 | 第27-28页 |
| 2.5.3 算法性能比较与分析 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于肤色分割和MTAdaboost的人脸检测 | 第30-43页 |
| 3.1 基于YCbCr颜色空间的肤色分割 | 第30-33页 |
| 3.1.1 颜色空间 | 第30-32页 |
| 3.1.2 肤色模型 | 第32页 |
| 3.1.3 YCbCr空间的肤色分割 | 第32-33页 |
| 3.2 Adaboost算法 | 第33-37页 |
| 3.2.1 Harr特征和特征值计算 | 第33-35页 |
| 3.2.2 Adaboost算法基本原理 | 第35-37页 |
| 3.3 MTAdaboost算法权重更新 | 第37-39页 |
| 3.4 融合肤色分割和MTAdaboost的人脸检测 | 第39-40页 |
| 3.5 实验结果与分析 | 第40-42页 |
| 3.5.1 实验方法 | 第40页 |
| 3.5.2 结果分析 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于特征点和粒子滤波的自适应人脸跟踪 | 第43-60页 |
| 4.1 CamShift算法 | 第43-47页 |
| 4.1.1 算法原理 | 第43-44页 |
| 4.1.2 颜色概率分布图 | 第44-45页 |
| 4.1.3 人脸跟踪步骤 | 第45-47页 |
| 4.2 基于特征点跟踪的人脸跟踪 | 第47-49页 |
| 4.2.1 生成颜色概率分布图 | 第47-48页 |
| 4.2.2 FAST特征点跟踪 | 第48-49页 |
| 4.2.3 特征跟踪与CamShift融合的跟踪策略 | 第49页 |
| 4.3 基于粒子滤波的人脸跟踪 | 第49-51页 |
| 4.3.1 粒子滤波 | 第50页 |
| 4.3.2 粒子滤波与CamShift融合的跟踪策略 | 第50-51页 |
| 4.4 自适应人脸跟踪算法 | 第51-54页 |
| 4.4.1 跟踪模式检测 | 第52页 |
| 4.4.2 自适应模式人脸跟踪算法流程 | 第52-54页 |
| 4.5 实验结果与分析 | 第54-59页 |
| 4.5.1 实验方法 | 第54-55页 |
| 4.5.2 实验结果定性分析 | 第55-56页 |
| 4.5.3 实验结果定量分析 | 第56-58页 |
| 4.5.4 自适应模式性能 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |
