| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 引言 | 第9-14页 |
| ·研究背景和意义 | 第9页 |
| ·研究现状和进展 | 第9-12页 |
| ·基于知识的算法 | 第9页 |
| ·基于特征的算法 | 第9-10页 |
| ·基于外观的算法 | 第10-12页 |
| ·本文工作 | 第12页 |
| ·本文结构 | 第12-14页 |
| 2 基于 Adaboost 算法的人脸检测 | 第14-40页 |
| ·Adaboost 算法概述 | 第14-17页 |
| ·Boosting 算法的背景 | 第14页 |
| ·Adaboost 算法的提出 | 第14-15页 |
| ·AdaBoost 算法的原理 | 第15-16页 |
| ·Adaboost 算法的应用 | 第16-17页 |
| ·样本的选取 | 第17-20页 |
| ·人脸样本的选取 | 第17-18页 |
| ·非人脸样本的选取 | 第18-20页 |
| ·特征的提取与计算 | 第20-23页 |
| ·Haar-Like 特征 | 第20页 |
| ·Haar-Like 特征的选取 | 第20页 |
| ·特征的数目 | 第20-21页 |
| ·积分图 | 第21-22页 |
| ·利用积分图计算 Haar-Like 特征值 | 第22-23页 |
| ·分类器的形式 | 第23-25页 |
| ·弱分类器 | 第23-24页 |
| ·强分类器 | 第24页 |
| ·级联分类器 | 第24-25页 |
| ·训练过程 | 第25-30页 |
| ·弱分类器训练过程 | 第25-27页 |
| ·强分类器训练过程 | 第27-29页 |
| ·级联分类器训练过程 | 第29-30页 |
| ·检测过程 | 第30-33页 |
| ·检测过程概述 | 第30-31页 |
| ·待检测子图像集的获取 | 第31-32页 |
| ·后处理 | 第32-33页 |
| ·实验分析 | 第33-38页 |
| ·试验环境 | 第33页 |
| ·训练过程分析 | 第33-35页 |
| ·检测结果分析 | 第35-38页 |
| ·小结 | 第38-40页 |
| 3 基于 MB-LBP 特征的 Adaboost 算法 | 第40-55页 |
| ·LBP 算子概述 | 第40-46页 |
| ·基本 LBP 算子 | 第40-41页 |
| ·多尺度 LBP 算子 | 第41-42页 |
| ·旋转不变 LBP 算子 | 第42-43页 |
| ·等价模式 LBP 算子 | 第43-44页 |
| ·LBP 算子的特点 | 第44-45页 |
| ·LBP 算子的应用 | 第45-46页 |
| ·MB-LBP 特征的选取与计算 | 第46-49页 |
| ·MB-LBP 特征 | 第46-47页 |
| ·MB-LBP 特征的数量 | 第47-48页 |
| ·MB-LBP 特征的计算 | 第48-49页 |
| ·实验分析 | 第49-53页 |
| ·训练结果分析 | 第49-50页 |
| ·检测结果分析 | 第50-53页 |
| ·小结 | 第53-55页 |
| 4 基于多线程的 Adaboost 多特征级联检测算法 | 第55-71页 |
| ·多线程概述 | 第55-57页 |
| ·多线程的概念 | 第55页 |
| ·线程的同步 | 第55-56页 |
| ·多线程的好处 | 第56-57页 |
| ·使用多线程的不利因素 | 第57页 |
| ·基于多线程的 Adaboost 算法 | 第57-64页 |
| ·训练过程改进 | 第57-61页 |
| ·检测过程改进 | 第61-64页 |
| ·基于多线程的 Adaboost 多特征级联检测算法 | 第64-70页 |
| ·算法的提出 | 第64-65页 |
| ·算法流程介绍 | 第65-66页 |
| ·实验结果 | 第66-70页 |
| ·小结 | 第70-71页 |
| 5 结论与展望 | 第71-73页 |
| ·总结 | 第71-72页 |
| ·工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
