| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 人脸检测算法的国内外研究现状和发展趋势 | 第11-14页 |
| 1.2.1 基于知识的人脸检测方法 | 第11-12页 |
| 1.2.2 基于统计学习的人脸检测方法 | 第12-14页 |
| 1.3 人脸检测算法的硬件实现 | 第14-15页 |
| 1.4 论文的主要工作 | 第15-17页 |
| 第2章 基于Adaboost算法的分类器训练过程 | 第17-29页 |
| 2.1 Adaboost算法简介 | 第17-19页 |
| 2.2 特征选取和特征值计算 | 第19-22页 |
| 2.2.1 Haar特征 | 第19-21页 |
| 2.2.2 积分图 | 第21-22页 |
| 2.3 选择训练的样本库 | 第22-24页 |
| 2.4 训练分类器的过程 | 第24-28页 |
| 2.4.1 基于Adaboost算法的弱分类器训练过程 | 第24-25页 |
| 2.4.2 基于Adaboost算法的强分类器训练过程 | 第25-26页 |
| 2.4.3 基于Adaboost算法的级联分类器训练过程 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于Adaboost算法的人脸检测 | 第29-42页 |
| 3.1 多尺度检测机制 | 第29-32页 |
| 3.1.1 待检测图像抽样缩放法 | 第29-30页 |
| 3.1.2 检测窗口尺寸放大的方法 | 第30-32页 |
| 3.2 人脸检测算法实现过程 | 第32-36页 |
| 3.2.1 基于Adaboost算法的人脸检测数据及结果分析 | 第32-34页 |
| 3.2.2 基于Adaboost算法训练分类器的人脸检测数据及结果分析 | 第34-36页 |
| 3.3 人脸检测后续处理 | 第36-40页 |
| 3.3.1 合并重叠的候选矩形框 | 第36-39页 |
| 3.3.2 剔除误检的人脸窗口 | 第39-40页 |
| 3.4 两种算法仿真结果对比 | 第40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 人脸检测算法的DSP平台实现 | 第42-58页 |
| 4.1 算法实现系统的方案论证 | 第42-44页 |
| 4.1.1 算法实现系统的功能 | 第42-43页 |
| 4.1.2 算法实现系统的开发流程 | 第43-44页 |
| 4.2 算法实现系统的硬件环境及数据处理流程 | 第44-48页 |
| 4.2.1 算法实现系统硬件环境 | 第44-47页 |
| 4.2.2 算法实现系统中数据处理流程 | 第47-48页 |
| 4.3 算法实现系统的软件平台及软件设计 | 第48-55页 |
| 4.3.1 CCS软件开发平台简介 | 第48-51页 |
| 4.3.2 软件设计 | 第51-55页 |
| 4.4 人脸检测算法优化 | 第55-57页 |
| 4.4.1 浮点数据转定点数据 | 第55-56页 |
| 4.4.2 其他优化方法 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 算法运行结果及数据分析 | 第58-66页 |
| 5.1 人脸检测算法的系统运行环境 | 第58-59页 |
| 5.2 人脸检测算法正确性测试 | 第59-60页 |
| 5.3 人脸检测算法运行结果 | 第60-62页 |
| 5.4 人脸检测结果分析 | 第62-63页 |
| 5.5 本章小结 | 第63-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
