| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-27页 |
| ·研究背景与现状 | 第12-13页 |
| ·人脸检测的一般流程与难点 | 第13-14页 |
| ·人脸检测方法分类 | 第14-17页 |
| ·基于知识的方法(Knowledge-Based Methods) | 第15页 |
| ·基于特征的方法(Feature-Based Methods) | 第15-16页 |
| ·模板匹配方法( Template Matching ) | 第16页 |
| ·基于外观形状的方法(Appearance-Based Methods) | 第16-17页 |
| ·经典人脸检测算法概述 | 第17-22页 |
| ·基于视角的样本学习人脸检测 | 第17-18页 |
| ·基于肤色模型的人脸检测 | 第18-19页 |
| ·基于统计模型的目标检测 | 第19-20页 |
| ·基于支持向量机（SVM）的人脸检测 | 第20-21页 |
| ·基于Adaboost 的实时人脸检测 | 第21-22页 |
| ·人脸检测方法的性能评测 | 第22-25页 |
| ·人脸检测可用图像库 | 第22-23页 |
| ·性能评价指标 | 第23页 |
| ·各种人脸检测算法的效果比较 | 第23-25页 |
| ·本文的主要研究内容 | 第25页 |
| ·本文的创新点 | 第25-26页 |
| ·本文的组织结构 | 第26-27页 |
| 第二章 基于级联策略的非线性降维人脸检测 | 第27-42页 |
| ·非线性降维 | 第27-31页 |
| ·拉普拉斯特征影射 | 第27-29页 |
| ·LE 算法的有效性 | 第29-31页 |
| ·多类SVM 分类器 | 第31-33页 |
| ·非线性支持向量机 | 第31-33页 |
| ·多类SVM 分类器 | 第33页 |
| ·训练样本 | 第33-35页 |
| ·人脸检测算法 | 第35-37页 |
| ·级联评估策略 | 第35-37页 |
| ·使用分类器检测新样本 | 第37页 |
| ·实验结果分析 | 第37-40页 |
| ·确定LE 算法降维参数 | 第37-38页 |
| ·训练/检测实验 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第三章 基于聚类算法的统计学习人脸检测 | 第42-62页 |
| ·贝叶斯人脸分类器原理 | 第42-44页 |
| ·构造直方图人脸检测器分类器 | 第44-48页 |
| ·分类器特征 | 第44-47页 |
| ·小波系数量化参数计算 | 第47-48页 |
| ·特征数量 | 第48页 |
| ·训练分类器 | 第48-53页 |
| ·训练样本 | 第48-49页 |
| ·训练算法具体流程 | 第49-51页 |
| ·训练算法分析 | 第51-53页 |
| ·检测算法 | 第53-56页 |
| ·搜索策略 | 第53-54页 |
| ·检测流程 | 第54-55页 |
| ·确定检测器阈值 | 第55-56页 |
| ·基于聚类算法的检测结果融合 | 第56-58页 |
| ·实验结果分析 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 第四章 基于二叉树的ADABOOST 实时人脸检测 | 第62-78页 |
| ·基于ADABOOST 的实时人脸检测算法 | 第62-64页 |
| ·基于二叉树的强分类器 | 第64-69页 |
| ·强分类器SC_2 | 第65-67页 |
| ·强分类器SC_N (N>2) | 第67-68页 |
| ·基于二叉树的强分类器的训练检测速度 | 第68-69页 |
| ·实时人脸检测系统 | 第69-72页 |
| ·实验结果分析 | 第72-76页 |
| ·静态图像检测实验 | 第73-75页 |
| ·视频检测实验 | 第75-76页 |
| ·本章小结 | 第76-78页 |
| 第五章 总结与展望 | 第78-81页 |
| ·对本文的总结 | 第78-79页 |
| ·展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士期间发表的论文 | 第86-88页 |
