| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-15页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 人脸检测方法 | 第9-11页 |
| 1.2.1.1 基于先验知识的人脸检测类型 | 第9-10页 |
| 1.2.1.2 基于统计的人脸检测类型 | 第10-11页 |
| 1.2.2 人脸跟踪方法 | 第11-13页 |
| 1.2.2.1 基于特征的目标人脸跟踪法 | 第11-12页 |
| 1.2.2.2 基于模型的目标人脸跟踪法 | 第12页 |
| 1.2.2.3 基于学习的目标人脸跟踪法 | 第12-13页 |
| 1.3 本文的研究内容与创新点 | 第13页 |
| 1.4 论文的组织结构安排 | 第13-15页 |
| 第二章 视频帧图像预处理 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 几种常见的颜色空间 | 第15-20页 |
| 2.2.1 RGB颜色空间 | 第16页 |
| 2.2.2 HSI颜色空间 | 第16-18页 |
| 2.2.3 YCbCr颜色空间 | 第18-19页 |
| 2.2.4 YCgCr颜色空间,YCgCb颜色空间 | 第19-20页 |
| 2.3 常用的几种肤色模型 | 第20页 |
| 2.4 常见的图像形态学操作 | 第20-21页 |
| 2.5 基于YCgCr、YCgCb颜色空间的肤色分割 | 第21-22页 |
| 2.6 脸部肤色区域的提取 | 第22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 基于肤色分割的改进Adaboost人脸检测算法 | 第23-32页 |
| 3.1 Adaboost人脸检测算法原理 | 第23-28页 |
| 3.1.1 Haar-like特征 | 第23-24页 |
| 3.1.2 积分图像 | 第24-26页 |
| 3.1.3 弱分类器的训练 | 第26-27页 |
| 3.1.4 强分类器的构造 | 第27页 |
| 3.1.5 级联分类器的构造 | 第27-28页 |
| 3.2 基于肤色分割的改进Adaboost人脸检测算法 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 改进的Camshift人脸跟踪算法 | 第32-40页 |
| 4.1 Camshift人脸跟踪算法原理 | 第32-34页 |
| 4.1.1 直方图反向投影原理 | 第32页 |
| 4.1.2 MeanShift人脸跟踪算法 | 第32-33页 |
| 4.1.3 Camshift人脸跟踪算法 | 第33-34页 |
| 4.2 改进的Camshift人脸跟踪算法 | 第34-39页 |
| 4.2.1 Kalman滤波算法 | 第34-35页 |
| 4.2.2 Kalman预测模型的建立 | 第35-36页 |
| 4.2.3 改进的Camshift人脸跟踪算法 | 第36-37页 |
| 4.2.4 实验结果与分析 | 第37-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-43页 |
| 5.1 研究内容总结 | 第40-41页 |
| 5.2 研究工作展望 | 第41-43页 |
| 参考文献 | 第43-48页 |
| 攻读硕士期间发表的学术论文 | 第48-49页 |
| 致谢 | 第49-51页 |
