| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-13页 |
| 第一章 绪论 | 第13-29页 |
| ·概述 | 第13-15页 |
| ·人脸检测存在的问题及研究意义 | 第13-14页 |
| ·特征抽取存在的问题及研究意义 | 第14-15页 |
| ·人脸检测研究现状 | 第15-21页 |
| ·基于知识的人脸检测方法 | 第16-17页 |
| ·基于统计学习的人脸检测方法 | 第17-20页 |
| ·基于AdaBoost的快速人脸检测方法 | 第20-21页 |
| ·人脸特征抽取方法研究现状 | 第21-25页 |
| ·基于知识的特征抽取方法 | 第21-22页 |
| ·代数特征的抽取方法 | 第22-25页 |
| ·本文研究内容 | 第25-28页 |
| ·本文创新点 | 第28-29页 |
| 第二章 基于AdaBoost算法的快速人脸检测方法的研究 | 第29-51页 |
| ·引言 | 第29-30页 |
| ·AdaBoost算法及相关知识 | 第30-35页 |
| ·AdaBoost学习算法 | 第30-33页 |
| ·传统的Cascade结构与算法 | 第33-34页 |
| ·Nesting Cascade结构与算法 | 第34页 |
| ·Haar-Like特征与积分图计算方法 | 第34-35页 |
| ·Walsh特征的构造与优点 | 第35-38页 |
| ·Walsh特征的构造 | 第35-36页 |
| ·Walsh特征的优点 | 第36页 |
| ·与Haar-Like特征的对比实验 | 第36-38页 |
| ·增强型Cascade算法 | 第38-43页 |
| ·Nesting Cascade算法中权重的计算方法 | 第38-39页 |
| ·增强型Cascade算法原理 | 第39-41页 |
| ·增强型Cascade算法的具体步骤 | 第41-42页 |
| ·实验结果与分析 | 第42-43页 |
| ·扩展型Real AdaBoost | 第43-50页 |
| ·扩展型Real AdaBoost算法 | 第43-46页 |
| ·实验结果与分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第三章 自适应最大拒绝鉴别分析及其在人脸检测中的应用 | 第51-65页 |
| ·引言 | 第51-52页 |
| ·相关知识 | 第52-54页 |
| ·最大拒绝分类器方法 | 第52页 |
| ·MRC-Boosting算法 | 第52-54页 |
| ·自适应最大拒绝鉴别分析 | 第54-61页 |
| ·MRC-Boosting算法的不足 | 第54页 |
| ·自适应最大拒绝鉴别分析的定义 | 第54-55页 |
| ·加权系数及样本权重的计算 | 第55-57页 |
| ·最优正交鉴别矢量集的计算 | 第57-58页 |
| ·AdaMRDA算法的具体步骤 | 第58-59页 |
| ·实验结果与分析 | 第59-61页 |
| ·基于AdaBoost + AdaMRDA的快速人脸检测方法 | 第61-64页 |
| ·AdaBoost + AdaMRDA人脸检测方法 | 第62-63页 |
| ·实验结果与分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第四章 重构空间主分量分析及相关算法 | 第65-85页 |
| ·引言 | 第65-66页 |
| ·经典主分量分析及快速特征抽取 | 第66-67页 |
| ·基于图像投影的二维主分量分析 | 第67-69页 |
| ·重构空间主分量分析 | 第69-76页 |
| ·重构图像的评价方法 | 第70-71页 |
| ·重构空间主分量分析算法 | 第71-73页 |
| ·实验结果与分析 | 第73-76页 |
| ·有监督的重构空间二维主分量分析 | 第76-80页 |
| ·有监督的重构空间二维主分量分析算法 | 第76-78页 |
| ·双侧投影矩阵主分量分析算法 | 第78-79页 |
| ·实验结果与分析 | 第79-80页 |
| ·基于多尺度奇异值特征的主分量分析 | 第80-83页 |
| ·奇异值分解及相应特性 | 第80-81页 |
| ·基于多尺度奇异值特征的主分量分析算法 | 第81-82页 |
| ·实验结果与分析 | 第82-83页 |
| ·本章小结 | 第83-85页 |
| 第五章 小样本情况下线性鉴别分析及相关问题的研究 | 第85-107页 |
| ·引言 | 第85-86页 |
| ·小样本问题的解决方法 | 第86-89页 |
| ·基本知识 | 第86-87页 |
| ·PCA+LDA方法 | 第87-88页 |
| ·扰动法 | 第88页 |
| ·直接线性鉴别分析 | 第88-89页 |
| ·多频带线性鉴别分析 | 第89-93页 |
| ·多频带分解 | 第89-90页 |
| ·MBLDA算法 | 第90-91页 |
| ·实验结果与分析 | 第91-93页 |
| ·加强型线性鉴别分析 | 第93-100页 |
| ·ILDA的定义 | 第94页 |
| ·ILDA的本质 | 第94-96页 |
| ·ILDA中A_(opt)的求解 | 第96-97页 |
| ·调节因子α的选择 | 第97页 |
| ·算法的实现步骤 | 第97页 |
| ·实验结果与分析 | 第97-100页 |
| ·快速直接线性鉴别分析算法 | 第100-103页 |
| ·快速DLDA算法的原理与步骤 | 第100-102页 |
| ·实验结果与分析 | 第102-103页 |
| ·基于多尺度低频特征的直接线性鉴别分析 | 第103-106页 |
| ·基于多尺度低频特征的DLDA算法 | 第103-104页 |
| ·实验结果与分析 | 第104-106页 |
| ·本章小结 | 第106-107页 |
| 第六章 期望鉴别分析及核投影方法的研究 | 第107-130页 |
| ·引言 | 第107-108页 |
| ·线性鉴别分析 | 第108-110页 |
| ·经典的Fisher鉴别分析 | 第109页 |
| ·F-S鉴别分析 | 第109页 |
| ·统计不相关鉴别分析 | 第109-110页 |
| ·PCA+LDA方法 | 第110页 |
| ·基于核的非线性投影分析 | 第110-114页 |
| ·核方法的基本原理 | 第110-111页 |
| ·核主分量分析 | 第111-112页 |
| ·核Fisher鉴别分析 | 第112-113页 |
| ·核F-S鉴别分析 | 第113-114页 |
| ·期望鉴别分析 | 第114-122页 |
| ·期望鉴别分析的理论架构 | 第114-118页 |
| ·投影矩阵A_(opt)的求解 | 第118-120页 |
| ·实验结果与分析 | 第120-122页 |
| ·核期望鉴别分析及核投影方法的快速计算 | 第122-128页 |
| ·KEDA算法思想与步骤 | 第123-124页 |
| ·小样本情况下的核投影方法的快速计算 | 第124-125页 |
| ·实验结果与分析 | 第125-128页 |
| ·本章小结 | 第128-130页 |
| 结束语 | 第130-132页 |
| 致谢 | 第132-133页 |
| 参考文献 | 第133-142页 |
| 附录 | 第142-143页 |
