| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究的背景及意义 | 第8-11页 |
| 1.2 人脸检测与识别的国内外研究现状与研究难点 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 研究难点 | 第12-13页 |
| 1.3 论文主要工作及章节安排 | 第13-15页 |
| 1.3.1 论文主要工作 | 第13页 |
| 1.3.2 论文的章节安排 | 第13-15页 |
| 第二章 人脸检测与识别技术方法的综述 | 第15-24页 |
| 2.1 人脸的检测与识别技术 | 第15-16页 |
| 2.1.1 人脸的检测与识别概述 | 第15-16页 |
| 2.1.2 人脸的检测与识别的特点 | 第16页 |
| 2.2 人脸的检测与识别的一般流程 | 第16-17页 |
| 2.3 人脸检测的主要方法综述 | 第17-20页 |
| 2.3.1 基于肤色模型的方法 | 第17页 |
| 2.3.2 基于统计模型的方法 | 第17-18页 |
| 2.3.3 Haar特征法 | 第18-20页 |
| 2.4 人脸识别的主要方法综述 | 第20-23页 |
| 2.4.1 几何特征法 | 第20-21页 |
| 2.4.2 视频图像法 | 第21页 |
| 2.4.3 Gabor特征法 | 第21-23页 |
| 2.4.4 三维模型法 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于改进SIFT的旋转人脸检测 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 SIFT算法的流程 | 第24-25页 |
| 3.3 SIFT算法的主要实现步骤 | 第25-29页 |
| 3.3.1 关键点的检测 | 第25-26页 |
| 3.3.2 关键点的精确定位 | 第26-27页 |
| 3.3.3 关键点的方向匹配 | 第27-28页 |
| 3.3.4 SIFT特征向量的生成 | 第28-29页 |
| 3.4 通过PCA降维提高SIFT方法效率 | 第29-30页 |
| 3.5 融合五官特征的人脸检测 | 第30-31页 |
| 3.6 改进SIFT-AdaBoost的旋转人脸检测 | 第31-32页 |
| 3.7 实验结果及分析 | 第32-35页 |
| 3.8 本章小结 | 第35-36页 |
| 第四章 基于改进HMM-RVM模型的人脸识别 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 人脸识别方法系统流程 | 第36-37页 |
| 4.3 人脸图像的降维及特征提取 | 第37-38页 |
| 4.4 改进HMM-RVM的人脸识别算法 | 第38-44页 |
| 4.4.1 HMM基本原理 | 第38-42页 |
| 4.4.2 RVM算法介绍 | 第42-44页 |
| 4.4.3 改进的HMM-RVM算法流程 | 第44页 |
| 4.5 实验结果分析 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 工作总结 | 第47-48页 |
| 5.2 未来研究工作展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 攻读学位期间发表的学术论文 | 第55-56页 |
| 致谢 | 第56-57页 |