| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 人脸检测方法概述 | 第8-9页 |
| 1.3 人脸特征提取与识别方法概述 | 第9-11页 |
| 1.4 本文主要研究内容 | 第11页 |
| 1.5 本文组织结构 | 第11-13页 |
| 第二章 ADABOOST人脸检测 | 第13-21页 |
| 2.1 分类器设计 | 第13-15页 |
| 2.1.1 分类器结构 | 第13-14页 |
| 2.1.2 分类器级联 | 第14-15页 |
| 2.2 ADABOOST算法概述 | 第15-20页 |
| 2.2.1 Boosting原理 | 第15-16页 |
| 2.2.2 Adaboost算法 | 第16-18页 |
| 2.2.3 矩阵特征 | 第18-19页 |
| 2.2.4 积分图 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 人脸特征提取方法（PCA与KPCA） | 第21-35页 |
| 3.1 主成分分析法 | 第21-24页 |
| 3.1.1 算法原理 | 第21-22页 |
| 3.1.2 主成分分析在人脸识别应用中的改进 | 第22-24页 |
| 3.2 核主成分分析法 | 第24-27页 |
| 3.2.1 核方法概述 | 第24-25页 |
| 3.2.2 基于核的主成分分析法 | 第25-27页 |
| 3.3 实验结果与分析 | 第27-32页 |
| 3.3.1 PCA算法验证与分析 | 第28-30页 |
| 3.3.2 核函数参数选择对KPCA算法性能的影响 | 第30-32页 |
| 3.4 本章小结 | 第32-35页 |
| 第四章 支持向量机（SVM）理论 | 第35-49页 |
| 4.1 统计学习理论 | 第35-36页 |
| 4.2 最优分类超平面 | 第36-39页 |
| 4.3 支持向量机模型 | 第39-41页 |
| 4.4 松弛变量 | 第41-42页 |
| 4.5 基于偏斜数据集的支持向量机 | 第42-43页 |
| 4.6 多类情况下的支持向量机 | 第43-45页 |
| 4.7 实验结果与分析 | 第45-47页 |
| 4.8 本章小结 | 第47-49页 |
| 第五章 人脸识别系统的设计与实现 | 第49-59页 |
| 5.1 基于组合特征和改进SVM的人脸识别方法 | 第49-54页 |
| 5.1.1 特征提取与组合 | 第49-50页 |
| 5.1.2 SVM方法的改进 | 第50-51页 |
| 5.1.3 实验结果与分析 | 第51-54页 |
| 5.2 系统功能与实现 | 第54-58页 |
| 5.2.1 开发环境 | 第54页 |
| 5.2.2 系统功能实现 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |