| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-12页 |
| 第1章 绪论 | 第12-24页 |
| ·目标检测与跟踪技术的发展现状 | 第12-20页 |
| ·目标检测 | 第12-17页 |
| ·目标跟踪 | 第17-20页 |
| ·本论文的研究内容及研究意义 | 第20-22页 |
| ·论文的结构框架 | 第22-24页 |
| 第2章 基于AdaBoost的目标检测算法 | 第24-42页 |
| ·AdaBoost算法的基本原理 | 第24-26页 |
| ·PAC学习模型 | 第24-25页 |
| ·Boosting算法 | 第25-26页 |
| ·AdaBoost算法 | 第26页 |
| ·用于人脸检测的AdaBoost算法 | 第26-30页 |
| ·应用场景模型的描述 | 第26页 |
| ·矩形特征和积分图 | 第26-29页 |
| ·原始AdaBoost人脸检测算法 | 第29-30页 |
| ·一种改进的AdaBoost人脸检测算法 | 第30-41页 |
| ·算法概述 | 第30页 |
| ·特征剪裁 | 第30-32页 |
| ·跳过与确认扫描机制 | 第32-37页 |
| ·算法效果的验证实验 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 用于目标跟踪的粒子滤波算法 | 第42-63页 |
| ·概率模型 | 第42-44页 |
| ·粒子滤波理论 | 第44-51页 |
| ·理论概述 | 第44页 |
| ·贝叶斯滤波 | 第44-45页 |
| ·蒙特卡洛模拟 | 第45-46页 |
| ·序列重要性采样 | 第46-49页 |
| ·重采样 | 第49-50页 |
| ·粒子滤波算法流程 | 第50-51页 |
| ·基于颜色直方图的粒子滤波目标跟踪算法 | 第51-62页 |
| ·算法概述 | 第51页 |
| ·目标运动模型 | 第51页 |
| ·相似性模型 | 第51-54页 |
| ·改进的基于HSV颜色直方图的粒子滤波目标跟踪算法 | 第54-57页 |
| ·跟踪算法的流程 | 第57-58页 |
| ·验证实验 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 基于AdaBoost和粒子滤波的人脸检测和跟踪系统及其实现 | 第63-72页 |
| ·系统组成 | 第63-66页 |
| ·系统总体框架 | 第63-64页 |
| ·检测器 | 第64-66页 |
| ·跟踪器 | 第66页 |
| ·实验结果与分析 | 第66-71页 |
| ·本章小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| ·总结 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简历 | 第78页 |