| 内容提要 | 第1-8页 |
| 第1章 绪论 | 第8-21页 |
| ·引言 | 第8-10页 |
| ·生物识别技术的发展现状 | 第10-13页 |
| ·生物识别技术分类 | 第10-11页 |
| ·计算机视觉 | 第11-12页 |
| ·生物识别技术的发展趋势 | 第12-13页 |
| ·人脸检测识别与跟踪技术的发展历史 | 第13-19页 |
| ·人脸检测与识别技术发展现状 | 第13-15页 |
| ·人脸检测技术分类 | 第15-16页 |
| ·人脸识别技术分类 | 第16-18页 |
| ·人脸跟踪技术发展现状 | 第18页 |
| ·人脸跟踪技术分类 | 第18-19页 |
| ·本文主要研究内容 | 第19-20页 |
| ·本文的章节结构组织 | 第20-21页 |
| 第2章 人脸检测识别与跟踪相关技术研究概论 | 第21-41页 |
| ·引言 | 第21页 |
| ·人脸检测与识别的主流方法 | 第21-39页 |
| ·基于肤色信息的人脸检测方法 | 第21-25页 |
| ·常用图像色彩空间 | 第21-24页 |
| ·肤色模型的分类 | 第24页 |
| ·特征提取 | 第24-25页 |
| ·贝叶斯分类器 | 第25页 |
| ·基于矩形特征的人脸检测方法 | 第25-27页 |
| ·积分图像方法 | 第25-26页 |
| ·构造矩形特征 | 第26-27页 |
| ·基于模板匹配的人脸检测方法 | 第27-28页 |
| ·基于知识的候选人脸特性 | 第27页 |
| ·模板的生成 | 第27页 |
| ·模板的匹配 | 第27-28页 |
| ·基于Haar的人脸检测方法 | 第28-30页 |
| ·Haar特征描述 | 第28-29页 |
| ·Haar函数 | 第29页 |
| ·一维Haar变换 | 第29页 |
| ·二维Haar变换 | 第29页 |
| ·Haar特征提取 | 第29-30页 |
| ·基于主成分分析(PCA)的人脸识别方法 | 第30-33页 |
| ·主成分分析 | 第30页 |
| ·特征抽取 | 第30-33页 |
| ·基于Fisher脸的人脸识别方法 | 第33-35页 |
| ·Fisher Faces方法 | 第33页 |
| ·Fisher线性鉴别分析方法 | 第33-35页 |
| ·采用Fisher Faces方法进行人脸识别 | 第35页 |
| ·基于三维模型的人脸识别方法 | 第35-36页 |
| ·基于曲率的方法 | 第35-36页 |
| ·基于合成模型的方法 | 第36页 |
| ·基于Gabor特征的人脸识别方法 | 第36-39页 |
| ·Gabor函数 | 第36-37页 |
| ·Gabor Filter | 第37-38页 |
| ·Gabor核函数的选择 | 第38-39页 |
| ·Kalman滤波器 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第3章 基于机器学习的人脸检测识别 | 第41-63页 |
| ·引言 | 第41页 |
| ·基于Adaboost方法的人脸检测与识别 | 第41-48页 |
| ·Adaboost简介 | 第41-42页 |
| ·Adaboost算法相关知识描述 | 第42-45页 |
| ·PAC学习 | 第42-43页 |
| ·强学习与弱学习 | 第43页 |
| ·Adaboost算法基本思想 | 第43-44页 |
| ·Adaboost训练流程 | 第44-45页 |
| ·基于Haar矩形特征的Adaboost | 第45-47页 |
| ·弱分类器 | 第45-46页 |
| ·求解强分类器 | 第46-47页 |
| ·Real Adaboost扩展算法 | 第47-48页 |
| ·基于SVM的人脸检测与识别 | 第48-62页 |
| ·SVM简介 | 第48-50页 |
| ·统计学理论基础 | 第50-53页 |
| ·损失函数 | 第50页 |
| ·期望风险 | 第50-51页 |
| ·结构风险最小化理论 | 第51-52页 |
| ·置信区间 | 第52-53页 |
| ·线形支持向量机 | 第53-55页 |
| ·非线形支持向量机 | 第55-56页 |
| ·核函数 | 第56-57页 |
| ·SVM优缺点 | 第57-58页 |
| ·基于模板和SVM的人脸检测 | 第58-62页 |
| ·问题的提出 | 第58页 |
| ·算法基本流程 | 第58页 |
| ·模板匹配过滤 | 第58-59页 |
| ·SVM检测 | 第59-61页 |
| ·试验和分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 实时鲁棒的人脸部位跟踪框架 | 第63-90页 |
| ·引言 | 第63页 |
| ·基于Mean-Shift框架的人脸跟踪 | 第63-70页 |
| ·Mean-Shift目标模型的表达 | 第64-66页 |
| ·Mean-Shift跟踪原理 | 第66-68页 |
| ·Mean-Shift框架的优缺点 | 第68页 |
| ·基于Mean-Shift的目标跟踪算法CamShift | 第68-69页 |
| ·结合Kalman滤波器的增强型CamShift跟踪算法 | 第69-70页 |
| ·问题的提出 | 第69页 |
| ·算法基本流程 | 第69页 |
| ·CamShift算法结合Kalman滤波器 | 第69-70页 |
| ·试验和分析 | 第70页 |
| ·基于粒子滤波框架的人脸跟踪 | 第70-83页 |
| ·粒子滤波的引入 | 第71-73页 |
| ·序贯重要性采样 | 第73-74页 |
| ·重采样 | 第74-75页 |
| ·粒子滤波算法流程 | 第75-76页 |
| ·粒子滤波算法优缺点 | 第76页 |
| ·结合Camshift和粒子滤波的人脸跟踪算法 | 第76-83页 |
| ·问题提出 | 第76-77页 |
| ·算法流程 | 第77-78页 |
| ·人脸跟踪 | 第78-79页 |
| ·实时状态估计 | 第79页 |
| ·目标相似度的计算 | 第79-80页 |
| ·动态跟踪过程 | 第80-81页 |
| ·试验和分析 | 第81-83页 |
| ·实时眼部跟踪与状态识别方法 | 第83-88页 |
| ·常用的眼部定位方法 | 第83-84页 |
| ·主动红外检测技术 | 第83-84页 |
| ·基于模板的眼部定位 | 第84页 |
| ·基于特征的眼部定位 | 第84页 |
| ·一种快速的眼部跟踪与状态识别方法 | 第84-88页 |
| ·问题描述 | 第84-85页 |
| ·详细算法流程 | 第85页 |
| ·眼部区域定位与提取方法 | 第85-86页 |
| ·眼部状态自动识别 | 第86-87页 |
| ·试验和分析 | 第87-88页 |
| ·本章小结 | 第88-90页 |
| 第5章 总结与展望 | 第90-92页 |
| ·总结 | 第90页 |
| ·未来展望 | 第90-92页 |
| 参考文献 | 第92-100页 |
| 攻读博士学位期间发表的论文 | 第100-101页 |
| 致谢 | 第101-102页 |
| 摘要 | 第102-104页 |
| Abstract | 第104-106页 |