| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-25页 |
| ·问题的提出和意义 | 第12-13页 |
| ·人脸检测研究现状与分析 | 第13-22页 |
| ·人脸检测问题的分类 | 第13页 |
| ·人脸模式特征分类 | 第13-16页 |
| ·人脸检测的主要方法 | 第16-22页 |
| ·人脸检测常用人脸库 | 第22-23页 |
| ·论文的主要研究内容及结构安排 | 第23-25页 |
| 第二章 基于知识和支持向量机的人脸检测 | 第25-42页 |
| ·引言 | 第25页 |
| ·支持向量机理论 | 第25-30页 |
| ·线性SVM | 第26-29页 |
| ·非线性SVM | 第29-30页 |
| ·基于结构特征的人脸检测 | 第30-36页 |
| ·基于同态滤波的图像增强 | 第31-32页 |
| ·基于K均值聚类的图像分割 | 第32-33页 |
| ·提取候选眼睛对 | 第33-34页 |
| ·眼睛对确认 | 第34页 |
| ·实验结果和分析 | 第34-36页 |
| ·基于矩形特征的人脸检测 | 第36-41页 |
| ·积分图 | 第36-38页 |
| ·构造矩形特征 | 第38页 |
| ·提取人脸候选区域 | 第38-39页 |
| ·人脸确认 | 第39-40页 |
| ·实验结果和分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 基于混合特征和ADABOOST算法的人脸检测 | 第42-63页 |
| ·引言 | 第42页 |
| ·Adaboost算法 | 第42-47页 |
| ·PAC学习模型 | 第42-44页 |
| ·弱学习与强学习 | 第44页 |
| ·Boosting方法 | 第44-45页 |
| ·Adaboost算法 | 第45-47页 |
| ·基于混合特征的Adaboost人脸检测 | 第47-56页 |
| ·算法总体结构 | 第47页 |
| ·Haar特征及Cascade结构 | 第47-50页 |
| ·PCA-Adaboost算法 | 第50-51页 |
| ·分类器集成 | 第51-54页 |
| ·实验结果与分析 | 第54-56页 |
| ·多视角人脸检测 | 第56-62页 |
| ·姿态建模 | 第58-59页 |
| ·构造检测器结构 | 第59-60页 |
| ·实验结果与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第四章 脸部特征定位算法 | 第63-75页 |
| ·引言 | 第63-64页 |
| ·基于方差滤波器的眼睛定位 | 第64-68页 |
| ·眼睛对定位 | 第64-65页 |
| ·构造方差滤波器 | 第65-66页 |
| ·眼睛精确定位 | 第66-67页 |
| ·实验结果和分析 | 第67-68页 |
| ·基于图像灰度熵的脸部特征定位 | 第68-74页 |
| ·图像灰度熵 | 第69-70页 |
| ·基于灰度熵的候选眼睛提取 | 第70-71页 |
| ·眼睛确认 | 第71页 |
| ·嘴部精确定位 | 第71-73页 |
| ·实验结果和分析 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第五章 基于机器视觉的驾驶员疲劳检测 | 第75-89页 |
| ·引言 | 第75页 |
| ·疲劳检测方法分类 | 第75-77页 |
| ·眼睛定位 | 第77-79页 |
| ·提取候选眼睛区域 | 第79页 |
| ·眼睛精确定位 | 第79页 |
| ·基于粒子滤波器的眼睛跟踪 | 第79-84页 |
| ·粒子滤波器原理 | 第80-81页 |
| ·眼睛特征提取 | 第81-82页 |
| ·观测概率模型 | 第82页 |
| ·眼睛跟踪 | 第82-84页 |
| ·眼睛跟踪结果确认 | 第84-86页 |
| ·基于CamShift的人脸跟踪 | 第84-85页 |
| ·眼睛跟踪结果确认 | 第85-86页 |
| ·疲劳状态检测 | 第86页 |
| ·实验结果与分析 | 第86-89页 |
| 结束语 | 第89-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-99页 |
| 附录 | 第99页 |