基于两级分类器的人脸检测研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题研究背景 | 第10-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·本文主要工作 | 第13页 |
| ·本文研究内容框架 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第2章 人脸检测方法分类 | 第15-25页 |
| ·基于特征的人脸检测方法 | 第15-20页 |
| ·低层特征分析方法 | 第16-17页 |
| ·组群特征分析方法 | 第17-18页 |
| ·变形模型方法 | 第18-20页 |
| ·基于图像的人脸检测方法 | 第20-24页 |
| ·线性子空间方法 | 第20-21页 |
| ·神经网络算法 | 第21-23页 |
| ·HMM方法 | 第23页 |
| ·基于Kullback信息理论的方法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 统计学习理论和支持向量机 | 第25-39页 |
| ·机器学习的基本问题和方法 | 第25-28页 |
| ·机器学习问题的表示 | 第25-27页 |
| ·经验风险最小化 | 第27页 |
| ·复杂性与推广能力 | 第27-28页 |
| ·统计学习理论 | 第28-31页 |
| ·VC维 | 第28-29页 |
| ·推广性的界 | 第29-30页 |
| ·结构化风险最小化原理 | 第30-31页 |
| ·支持向量机 | 第31-37页 |
| ·SVM基本原理 | 第32-33页 |
| ·SVM的数学模型 | 第33-35页 |
| ·线性支持向量机 | 第33-34页 |
| ·非线性支持向量机 | 第34页 |
| ·线性不可分情况的处理 | 第34-35页 |
| ·核函数 | 第35-37页 |
| ·小结与启示 | 第37-39页 |
| 第4章 两级分类器研究 | 第39-53页 |
| ·OPENCV简介 | 第39-41页 |
| ·OpenCV的模块 | 第41页 |
| ·OpenCV的功能 | 第41页 |
| ·模式识别系统理论 | 第41-43页 |
| ·SVM分类器 | 第43-48页 |
| ·纹理特征向量 | 第43-47页 |
| ·训练数据集 | 第47-48页 |
| ·SVM分类器的训练 | 第48页 |
| ·粗检测分类器 | 第48-52页 |
| ·矩形特征向量 | 第49-51页 |
| ·粗筛选分类器 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 人脸检测系统设计与实现 | 第53-68页 |
| ·人脸检测系统框架 | 第53页 |
| ·人脸图像预处理 | 第53-58页 |
| ·数字图像处理的概念 | 第53-54页 |
| ·灰度变换 | 第54-55页 |
| ·直方图均衡化 | 第55-57页 |
| ·图像的平滑 | 第57-58页 |
| ·金字塔序列化 | 第58-59页 |
| ·系统实现关键结构 | 第59-63页 |
| ·内存存储 | 第59-60页 |
| ·序列 | 第60-63页 |
| ·系统界面 | 第63页 |
| ·实验结果与分析 | 第63-67页 |
| ·测试数据来源 | 第63页 |
| ·实验结果 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 结论 | 第68-70页 |
| ·本文工作总结 | 第68页 |
| ·工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的论文和参研项目情况 | 第75页 |
