| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 人脸检测、对齐技术理论基础 | 第15-32页 |
| 2.1 平均脸的计算 | 第15-16页 |
| 2.2 常用人脸特征 | 第16-26页 |
| 2.2.1 HOG特征 | 第16-18页 |
| 2.2.2 LBP特征 | 第18-20页 |
| 2.2.3 Haar-like特征 | 第20-22页 |
| 2.2.4 Sift特征 | 第22-26页 |
| 2.3 决策树及随机森林 | 第26-28页 |
| 2.3.1 决策树 | 第26-27页 |
| 2.3.2 随机森林 | 第27-28页 |
| 2.4 支持向量机（SVM） | 第28-32页 |
| 2.4.1 Logistic回归与线性分类器 | 第28-29页 |
| 2.4.2 SVM分类器 | 第29-32页 |
| 第3章 基于SVM的多特征级联并行人脸检测算法 | 第32-46页 |
| 3.1 人脸检测流程概述 | 第32-34页 |
| 3.2 基于SVM的多特征级联人脸检测算法 | 第34-37页 |
| 3.3 基于SVM的多特征级联并行人脸检测算法 | 第37-43页 |
| 3.3.1 基于SVM的多特征级联并行人脸检测算法流程概述 | 第37-39页 |
| 3.3.2 HOG特征的并行提取及优化 | 第39-40页 |
| 3.3.3 图像金字塔并行扫描及优化 | 第40-41页 |
| 3.3.4 并行策略 | 第41-43页 |
| 3.4 实验结果 | 第43-46页 |
| 3.4.1 人脸检测效果 | 第43-44页 |
| 3.4.2 准确率、召回率及效率对比 | 第44-46页 |
| 第4章 基于视频的实时人脸对齐及跟踪的增强算法 | 第46-61页 |
| 4.1 人脸对齐基本流程概述 | 第46-47页 |
| 4.2 基于视频的实时人脸对齐的增强算法概述 | 第47-49页 |
| 4.3 倾斜人脸的检测 | 第49-52页 |
| 4.4 人脸置信度判断 | 第52-53页 |
| 4.5 人脸特征点增稳 | 第53-55页 |
| 4.6 实验结果 | 第55-58页 |
| 4.6.1 倾斜人脸的检测及对齐 | 第55-56页 |
| 4.6.2 特征点增稳 | 第56-57页 |
| 4.6.3 实验结果对比 | 第57-58页 |
| 4.7 相关应用 | 第58-61页 |
| 4.7.1 实时换脸 | 第58-59页 |
| 4.7.2 实时眼镜试戴 | 第59-60页 |
| 4.7.3 活体检测 | 第60-61页 |
| 第5章 结论与展望 | 第61-62页 |
| 5.1 结论 | 第61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间参加的科研项目和成果 | 第66页 |