| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 人脸检测算法简介 | 第11-13页 |
| 1.2.1 基于知识的人脸检测算法 | 第11-12页 |
| 1.2.2 基于统计学习的人脸检测算法 | 第12-13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.4 本文研究内容 | 第15-18页 |
| 第2章 人脸检测算法简介 | 第18-38页 |
| 2.1 引言 | 第18页 |
| 2.2 人脸特征提取算法 | 第18-29页 |
| 2.2.1 HOG特征描述子 | 第18-20页 |
| 2.2.2 LBP特征 | 第20-22页 |
| 2.2.3 奇异值分解 | 第22-23页 |
| 2.2.4 多尺度特征提取 | 第23-25页 |
| 2.2.5 肤色分割 | 第25-29页 |
| 2.3 人脸检测分类算法 | 第29-35页 |
| 2.3.1 Adaboost算法 | 第29-31页 |
| 2.3.2 SVM算法 | 第31-35页 |
| 2.4 常用的人脸数据库 | 第35-36页 |
| 2.5 人脸检测算法的评价指标 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于多尺度加权HOG的人脸检测算法 | 第38-52页 |
| 3.1 引言 | 第38页 |
| 3.2 基于多尺度加权HOG的人脸检测算法 | 第38-44页 |
| 3.2.1 算法整体框架 | 第38-40页 |
| 3.2.2 多尺度加权HOG | 第40-43页 |
| 3.2.3 主成分分析 | 第43-44页 |
| 3.3 分类检测模型 | 第44-45页 |
| 3.4 仿真实验结果与分析 | 第45-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于多尺度-方向LBP和SVD的人脸检测算法 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 算法基本框架 | 第52-53页 |
| 4.3 基于多尺度-方向LBP和SVD的人脸检测算法 | 第53-57页 |
| 4.3.1 多尺度-方向LBP特征 | 第53-55页 |
| 4.3.2 奇异值分析 | 第55-56页 |
| 4.3.3 SVM分类模型 | 第56-57页 |
| 4.4 仿真实验结果与分析 | 第57-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 基于肤色检测和尺度空间特征融合的人脸检测算法 | 第64-78页 |
| 5.1 引言 | 第64页 |
| 5.2 算法基本流程 | 第64-65页 |
| 5.3 基于肤色检测和尺度空间特征融合的人脸检测算法 | 第65-73页 |
| 5.3.1 肤色检测 | 第66-69页 |
| 5.3.2 尺度空间特征提取方法 | 第69-71页 |
| 5.3.3 分类模型 | 第71-73页 |
| 5.4 仿真实验结果及分析 | 第73-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士学位期间的科研成果 | 第88页 |
