基于Android的人脸识别算法的研究
| 引言 | 第6-7页 |
| 1 绪论 | 第7-16页 |
| 1.1 生物识别技术简介 | 第7-9页 |
| 1.2 人脸识别技术 | 第9-11页 |
| 1.3 Android和OpenCV | 第11-16页 |
| 1.3.1 Android概述 | 第11-13页 |
| 1.3.2 OpenCV介绍 | 第13-16页 |
| 1.3.2.1 OpenCV | 第13-15页 |
| 1.3.2.2 OpenCV4Android | 第15-16页 |
| 2 图像预处理与特征表示 | 第16-30页 |
| 2.1 图像预处理 | 第16-20页 |
| 2.1.1 图像二值化 | 第16-17页 |
| 2.1.2 灰度归一和直方图均衡 | 第17-18页 |
| 2.1.3 图像滤波去噪 | 第18-20页 |
| 2.2 人脸图像特征 | 第20-29页 |
| 2.2.1 Gabor特征 | 第20-23页 |
| 2.2.1.1 Gabor变换 | 第20-22页 |
| 2.2.1.2 人脸图像Gabor特征 | 第22-23页 |
| 2.2.2 LBP特征 | 第23-27页 |
| 2.2.2.1 LBP简介 | 第23-26页 |
| 2.2.2.2 人脸图像LBP特征 | 第26-27页 |
| 2.2.3 Haar特征 | 第27-29页 |
| 2.2.3.1 Haar特征简介 | 第27-28页 |
| 2.2.3.2 人脸图像Haar特征提取 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 人脸检测 | 第30-40页 |
| 3.1 常见的人脸检测算法 | 第30-32页 |
| 3.1.1 基于先验知识的方法 | 第30-31页 |
| 3.1.1.1 灰度特征 | 第30页 |
| 3.1.1.2 形状特征 | 第30页 |
| 3.1.1.3 纹理特征 | 第30页 |
| 3.1.1.4 结构特征 | 第30-31页 |
| 3.1.2 基于后验知识的方法 | 第31-32页 |
| 3.1.2.1 AdaBoost | 第31页 |
| 3.1.2.2 子空间方法 | 第31页 |
| 3.1.2.3 SVM | 第31-32页 |
| 3.1.2.4 神经网络 | 第32页 |
| 3.2 AdaBoost算法 | 第32-36页 |
| 3.2.1 Boosting简介 | 第32-33页 |
| 3.2.2 Ada Boost算法 | 第33-35页 |
| 3.2.3 Ada Boost算法的改进 | 第35-36页 |
| 3.2.3.1 权值更新方法 | 第35-36页 |
| 3.2.3.2 训练方法的改进 | 第36页 |
| 3.3 本文实验结果 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 4 人脸识别 | 第40-51页 |
| 4.1 人脸识别算法分类 | 第40-41页 |
| 4.2 PCA与ORB | 第41-49页 |
| 4.2.1 PCA | 第41-45页 |
| 4.2.1.1 PCA理论 | 第41-43页 |
| 4.2.1.2 Eigenface | 第43-45页 |
| 4.2.2 ORB | 第45-49页 |
| 4.3 本文识别方法及实验 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 全文总结和工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 在学研究生成果 | 第56-57页 |
| 致谢 | 第57页 |
