| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究目的 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.4 研究方案和技术路线 | 第19-22页 |
| 1.4.1 研究方案和研究内容 | 第19-21页 |
| 1.4.2 研究技术路线 | 第21-22页 |
| 1.5 本文创新点 | 第22-24页 |
| 1.5.1 机器学习部分创新点 | 第22-23页 |
| 1.5.2 人眼检测算法实现部分创新点 | 第23-24页 |
| 1.6 本文的章节安排 | 第24-26页 |
| 第2章 基于gentle AdaBoost算法的人脸分类器机器学习 | 第26-54页 |
| 2.1 现有人脸检测算法综述 | 第28-35页 |
| 2.2 AdaBoost系列算法 | 第35-43页 |
| 2.2.1 PAC学习模型与AdaBoost算法思想 | 第36-40页 |
| 2.2.2 AdaBoost系列算法的对比及优化 | 第40-43页 |
| 2.3 AdaBoost机器学习 | 第43-54页 |
| 2.3.1 特征空间选择及优化 | 第43-46页 |
| 2.3.2 Gentle AdaBoost机器学习算法流程与算法分析 | 第46-49页 |
| 2.3.3 CUDA加速AdaBoost机器学习过程 | 第49-53页 |
| 2.3.4 机器学习人脸分类器效果 | 第53-54页 |
| 第3章 AdaBoost人脸检测的工程实现 | 第54-65页 |
| 3.1 CasCade强分类器检测结构 | 第54-56页 |
| 3.2 结合标记算法的金字塔型搜索策略 | 第56-59页 |
| 3.3 为提高检测鲁棒性所做的研究 | 第59-65页 |
| 3.3.1 为检测旋转人脸所做的研究 | 第59-63页 |
| 3.3.2 为检测部分遮挡人脸所做的研究 | 第63-65页 |
| 第4章 基于AdaBoost-SVM算法的人眼分类器机器学习 | 第65-80页 |
| 4.1 现有人眼检测算法综述 | 第65-67页 |
| 4.2 AdaBoost与SVM级联的人眼检测算法 | 第67-72页 |
| 4.2.1 AdaBoost—SVM人眼检测结构 | 第67-69页 |
| 4.2.2 SVM算法介绍 | 第69-72页 |
| 4.3 人眼分类器机器学习 | 第72-80页 |
| 4.3.1 AdaBoost前置强分类器机器学习 | 第73-74页 |
| 4.3.2 SVM分类超平面机器学习 | 第74-79页 |
| 4.3.3 人眼检测阶段机器学习效果 | 第79-80页 |
| 第5章 人眼检测的工程实现 | 第80-101页 |
| 5.1 待检人眼窗口生成策略 | 第80-82页 |
| 5.2 AdaBoost人眼检测前置级的必要性分析 | 第82页 |
| 5.3 “AdaBoost-SVM”人眼检测效果 | 第82-85页 |
| 5.4 基于模板匹配的Kalman人眼滤波 | 第85-93页 |
| 5.4.1 Kalman滤波算法介绍与应用: | 第86-90页 |
| 5.4.2 结合模板匹配的Kalman人眼滤波 | 第90-93页 |
| 5.5 基于模板匹配的Kalman人眼跟踪 | 第93-101页 |
| 5.5.1 现有跟踪算法介绍 | 第94-96页 |
| 5.5.2 结合模板匹配的Kalman人眼跟踪算法 | 第96-101页 |
| 第6章 总结与展望 | 第101-104页 |
| 6.1 算法总结 | 第101-102页 |
| 6.2 未来工作展望 | 第102-104页 |
| 参考文献 | 第104-119页 |
| 致谢 | 第119-120页 |
| 攻读博士学位期间科研成果 | 第120-122页 |
