| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 人脸检测的研究状况 | 第10-11页 |
| 1.3 人脸检测的应用领域 | 第11-12页 |
| 1.4 人脸检测评价标准 | 第12页 |
| 1.5 论文的工作与安排 | 第12-13页 |
| 第二章 人脸目标检测方法 | 第13-19页 |
| 2.1 目标检测方法的分类 | 第13-14页 |
| 2.1.1 基于特征的检测方法 | 第13-14页 |
| 2.1.2 基于统计的检测方法 | 第14页 |
| 2.2 常用检测方法 | 第14-19页 |
| 2.2.1 模板匹配法 | 第14-15页 |
| 2.2.2 神经网络法 | 第15-16页 |
| 2.2.3 特征不变量方法 | 第16-17页 |
| 2.2.4 隐马尔科夫模型 | 第17页 |
| 2.2.5 基于样本学习方法 | 第17-19页 |
| 第三章 Haar特征与积分图 | 第19-25页 |
| 3.1 Haar特征Equation Chapter 3 Section 1 | 第19页 |
| 3.2 特征模板 | 第19-21页 |
| 3.3 矩形特征个数的计算 | 第21-22页 |
| 3.4 积分图 | 第22-25页 |
| 第四章 基于Adaboost的分类器 | 第25-36页 |
| 4.1 机器学习理论Equation Chapter 4 Section 1 | 第25-28页 |
| 4.1.1 PAC学习模型 | 第26-27页 |
| 4.1.2 Boosting算法 | 第27-28页 |
| 4.2 Adaboost算法 | 第28-31页 |
| 4.2.1 Adaboost算法原理 | 第28页 |
| 4.2.2 离散Adaboost算法 | 第28-30页 |
| 4.2.3 连续Adaboost算法 | 第30-31页 |
| 4.2.4 Adaboost算法性能 | 第31页 |
| 4.3 Adaboost分类器 | 第31-34页 |
| 4.3.1 弱分类器的训练 | 第31-32页 |
| 4.3.2 强分类器的训练 | 第32页 |
| 4.3.3 分类器级联 | 第32-34页 |
| 4.3.4 Adaboost训练过程 | 第34页 |
| 4.4 本章小结 | 第34-36页 |
| 第五章 使用opencv构建人脸检测系统 | 第36-58页 |
| 5.1 人脸检测系统设计 | 第36-37页 |
| 5.1.1 功能需求分析 | 第36页 |
| 5.1.2 开发环境需求 | 第36页 |
| 5.1.3 系统设计 | 第36-37页 |
| 5.2 开发平台环境搭建 | 第37-41页 |
| 5.2.1 OpenCV介绍 | 第37-38页 |
| 5.2.2 OpenCV API | 第38页 |
| 5.2.3 开发环境准备 | 第38-41页 |
| 5.3 获取训练样本 | 第41-42页 |
| 5.4 样本图像预处理 | 第42-43页 |
| 5.5 分类器训练 | 第43-47页 |
| 5.5.1 训练程序流程 | 第43页 |
| 5.5.2 创建正样本 | 第43-47页 |
| 5.6 人脸检测实现 | 第47-56页 |
| 5.6.1 检测过程 | 第47-49页 |
| 5.6.2 使用Haar分类器进行人脸检测 | 第49-51页 |
| 5.6.3 检测流程及实现 | 第51-53页 |
| 5.6.4 检测结果 | 第53-56页 |
| 5.7 检测图像的Haar特征查看 | 第56-57页 |
| 5.8 本章小结 | 第57-58页 |
| 第六章 结论 | 第58-60页 |
| 参考文献 | 第60-63页 |