| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-46页 |
| ·自动人脸识别问题描述 | 第11-12页 |
| ·自动人脸识别的潜在应用前景 | 第12-15页 |
| ·人脸识别的研究历史和概况 | 第15-20页 |
| ·人脸识别的国内研究状况 | 第20-21页 |
| ·人脸识别主要算法综述 | 第21-34页 |
| ·基于静态图像的识别算法 | 第21-33页 |
| ·基于视频图像的识别算法 | 第33-34页 |
| ·国内外公用人脸图像数据库 | 第34-36页 |
| ·人脸识别领域的主要挑战和技术趋势 | 第36-43页 |
| ·FERET测试和FRVT测试[7,8] | 第36-39页 |
| ·人脸识别的主要挑战 | 第39-41页 |
| ·人脸识别可能的技术趋势 | 第41-43页 |
| ·论文的主要研究内容及章节安排 | 第43-46页 |
| ·论文的主要研究内容 | 第43-45页 |
| ·本文的章节安排 | 第45-46页 |
| 第二章 基于统计学习的分类器设计 | 第46-57页 |
| ·引言 | 第46-47页 |
| ·统计判别 | 第47-52页 |
| ·贝叶斯决策理论 | 第47-48页 |
| ·最小误判概率判决 | 第48-49页 |
| ·最小化最大损失判决 | 第49-50页 |
| ·N-P(Neyman-Pearson)判决 | 第50-51页 |
| ·序贯判决 | 第51页 |
| ·Fisher准则判决 | 第51-52页 |
| ·分类器综合(Classifier Ensembling) | 第52-56页 |
| ·分类器综合 | 第52-53页 |
| ·分类器综合算法介绍 | 第53-56页 |
| ·小结 | 第56-57页 |
| 第三章 基于代价敏感AdaBoost的人脸检测算法 | 第57-81页 |
| ·人脸检测 | 第57-58页 |
| ·AdaBoost算法 | 第58-62页 |
| ·代价敏感的AdaBoost算法 | 第62-65页 |
| ·基于CSBoost算法的人脸检测 | 第65-71页 |
| ·Haar特征空间 | 第65-66页 |
| ·特征选择和分类器构建 | 第66-67页 |
| ·分类器的级联结构 | 第67-70页 |
| ·本文训练算法 | 第70-71页 |
| ·实验与结果分析 | 第71-78页 |
| ·训练和测试图像的采集 | 第71-73页 |
| ·预处理和后处理 | 第73-74页 |
| ·检测总体框架 | 第74-75页 |
| ·实验结果与分析 | 第75-78页 |
| ·小结 | 第78-81页 |
| 第四章 基于AsymBoost和Fisher线性判别分析的人脸识别方法 | 第81-99页 |
| ·引言 | 第81-83页 |
| ·基于AsymBoost的特征选择 | 第83-85页 |
| ·用FLDA优化强分类器 | 第85-89页 |
| ·Fisher线性判别分析 | 第86-87页 |
| ·用FLDA优化强分类器 | 第87-89页 |
| ·基于AsymBoost和FLDA的人脸识别 | 第89-94页 |
| ·Gabor特征的提取 | 第89-93页 |
| ·将人脸识别的多类问题转化为两类问题 | 第93页 |
| ·特征的选择和分类器学习 | 第93-94页 |
| ·实验结果与分析 | 第94-97页 |
| ·本章小结 | 第97-99页 |
| 第五章 基于LBP和贝叶斯概率模型的姿势鲁棒的人脸识别算法 | 第99-111页 |
| ·引言 | 第99-101页 |
| ·LBP特征 | 第101-103页 |
| ·姿势变化时人脸图片中对应子块之间差异的模拟 | 第103-105页 |
| ·基于LBP和概率模型的人脸识别 | 第105-108页 |
| ·试验结果与分析 | 第108-110页 |
| ·训练和测试集 | 第108页 |
| ·实验一:姿势已知 | 第108-109页 |
| ·试验二:姿势未知 | 第109-110页 |
| ·本章小结 | 第110-111页 |
| 第六章 总结与展望 | 第111-114页 |
| ·全文工作总结 | 第111-112页 |
| ·未来工作展望 | 第112-114页 |
| 参考文献 | 第114-129页 |
| 致谢 | 第129-130页 |
| 在读期间发表的论文和参与的科研项目 | 第130-131页 |
