Adaboost算法优化及人脸检测识别系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状以及发展前景 | 第10-13页 |
| 1.3 论文的研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 Adaboost人脸检测算法 | 第14-30页 |
| 2.1 Boosting方法简介 | 第14-17页 |
| 2.1.1 Adaboost算法原理 | 第15-16页 |
| 2.1.2 Adaboost算法优势 | 第16-17页 |
| 2.2 Haar特征 | 第17-20页 |
| 2.3 积分图 | 第20-23页 |
| 2.4 分类器的设计 | 第23-26页 |
| 2.4.1 弱分类器 | 第24-25页 |
| 2.4.2 强分类器 | 第25-26页 |
| 2.5 级联分类器的设计 | 第26-28页 |
| 2.5.1 级联分类器的结构 | 第26-27页 |
| 2.5.2 级联分类器的训练算法 | 第27页 |
| 2.5.3 级联分类器的系统参数 | 第27-28页 |
| 2.6 人脸图像库介绍 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第3章 Adaboost算法优化 | 第30-38页 |
| 3.1 Adaboost算法存在的问题 | 第30-31页 |
| 3.2 本系统对Adaboost算法的优化 | 第31-35页 |
| 3.2.1 Haar特征扩展 | 第31-33页 |
| 3.2.2 扩充训练样本 | 第33-34页 |
| 3.2.3 样本权重限制 | 第34-35页 |
| 3.3 本章实验 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 人脸图像识别 | 第38-45页 |
| 4.1 PCA模型概述 | 第38-40页 |
| 4.1.1 K-L变换 | 第38-39页 |
| 4.1.2 主成分分析法PCA | 第39-40页 |
| 4.1.3 PCA的基本原理 | 第40页 |
| 4.2 PCA模型存在的优缺点 | 第40-41页 |
| 4.3 基于PCA算法的人脸识别 | 第41-43页 |
| 4.4 本章实验 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 人脸检测识别系统的设计与实现 | 第45-60页 |
| 5.1 人脸检测识别系统分析 | 第45-47页 |
| 5.1.1 系统可行性分析 | 第45页 |
| 5.1.2 系统业务需求分析 | 第45-46页 |
| 5.1.3 系统性能需求分析 | 第46页 |
| 5.1.4 算法选择 | 第46-47页 |
| 5.2 人脸检测识别系统总体功能设计 | 第47-52页 |
| 5.2.1 系统开发环境 | 第47页 |
| 5.2.2 系统设计目标 | 第47-48页 |
| 5.2.3 系统功能模块 | 第48-52页 |
| 5.3 人脸检测识别系统实现 | 第52-56页 |
| 5.3.1 系统功能流程图 | 第52-53页 |
| 5.3.2 OpenCV函数库 | 第53-56页 |
| 5.3.3 基于MVC/C++的程序设计 | 第56页 |
| 5.4 部分结果展示 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
