| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-13页 |
| 1.2 人脸检测与识别的研究现状 | 第13-16页 |
| 1.2.1 国内外现状分析 | 第13-14页 |
| 1.2.2 人脸检测相关理论 | 第14-15页 |
| 1.2.3 人脸识别相关理论 | 第15-16页 |
| 1.3 存在的主要问题 | 第16-17页 |
| 1.4 本文的主要内容与结构安排 | 第17-19页 |
| 第二章 基于Haar-like特征的AdaBoost算法的人脸检测 | 第19-31页 |
| 2.1 Haar-like特征提取 | 第19-24页 |
| 2.1.1 Haar特征 | 第20-21页 |
| 2.1.2 Haar特征值数量 | 第21-22页 |
| 2.1.3 积分图与特征计算 | 第22-24页 |
| 2.2 Adaboost分类器训练过程 | 第24-27页 |
| 2.2.1 弱分类器 | 第24页 |
| 2.2.2 强分类器 | 第24-25页 |
| 2.2.3 级联分类器 | 第25-27页 |
| 2.3 实验结果与分析 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于Gabor和PCA算法的人脸识别 | 第31-43页 |
| 3.1 Gabor小波的人脸特征提取 | 第31-35页 |
| 3.1.1 2D-Gabor小波变换 | 第31-33页 |
| 3.1.2 Gabor人脸特征矢量的提取 | 第33-35页 |
| 3.2 主成分分析的人脸识别方法 | 第35-38页 |
| 3.2.1 主成分分析基本原理 | 第35页 |
| 3.2.2 基于PCA的人脸识别 | 第35-38页 |
| 3.3 基于Gabor和PCA方法的人脸识别 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 复杂光照情况下人脸检测与识别效果改进 | 第43-53页 |
| 4.1 Retinex相关算法 | 第43-47页 |
| 4.1.1 Retinex算法 | 第43-44页 |
| 4.1.2 单尺度Retinex算法 | 第44-45页 |
| 4.1.3 多尺度Retinex算法 | 第45-47页 |
| 4.2 改进的多尺度Retinex算法 | 第47-49页 |
| 4.3 实验结果与分析 | 第49-50页 |
| 4.4 本章小结 | 第50-53页 |
| 第五章 具有视觉处理功能的家用陪护机器人 | 第53-69页 |
| 5.1 家用陪护机器人视觉处理系统总体架构 | 第53页 |
| 5.2 系统开发平台 | 第53-60页 |
| 5.2.1 家用陪护机器人 | 第53-54页 |
| 5.2.2 Android平台介绍 | 第54-55页 |
| 5.2.3 Android JNI技术 | 第55-57页 |
| 5.2.4 搭建开发环境 | 第57-60页 |
| 5.3 系统功能模块设计与实现 | 第60-66页 |
| 5.3.1 图像采集与预处理模块 | 第60-61页 |
| 5.3.2 人脸检测模块 | 第61-63页 |
| 5.3.3 人脸采集模块 | 第63-64页 |
| 5.3.4 人脸识别模块 | 第64-66页 |
| 5.4 系统软件功能测试 | 第66-68页 |
| 5.5 本章小章 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录A: 攻读硕士学位期间科研情况 | 第77页 |