| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的研究背景 | 第11-12页 |
| 1.2 国内外研究现状与趋势 | 第12-13页 |
| 1.3 课题的研究意义 | 第13-14页 |
| 1.4 人脸检测结果的评价标准 | 第14-15页 |
| 1.5 本文的研究内容 | 第15-17页 |
| 第2章 相关知识介绍 | 第17-29页 |
| 2.1 人脸模式特点的分析 | 第17页 |
| 2.2 人脸检测方法分类 | 第17-21页 |
| 2.2.1 基于模板匹配的方法 | 第17-18页 |
| 2.2.2 基于支持向量机的方法 | 第18-19页 |
| 2.2.3 基于神经网络的方法 | 第19页 |
| 2.2.4 基于隐马尔可夫模型的方法 | 第19-20页 |
| 2.2.5 基于Adaboost的方法 | 第20页 |
| 2.2.6 基于肤色模型的方法 | 第20页 |
| 2.2.7 基于先验知识的方法 | 第20-21页 |
| 2.2.8 小结 | 第21页 |
| 2.3 Adaboost算法 | 第21-28页 |
| 2.3.1 Boosting | 第21-22页 |
| 2.3.2 Adaboost方法概述 | 第22-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于Adaboost算法的人脸检测 | 第29-45页 |
| 3.1 系统框架 | 第29-30页 |
| 3.1.1 训练部分 | 第29-30页 |
| 3.1.2 检测部分 | 第30页 |
| 3.2 训练过程 | 第30-36页 |
| 3.2.1 样本选择 | 第30-32页 |
| 3.2.2 提取Haar-like特征 | 第32页 |
| 3.2.3 弱分类器实现 | 第32-34页 |
| 3.2.4 强分类器实现 | 第34-35页 |
| 3.2.5 训练过程中Haar-like特征的优化 | 第35-36页 |
| 3.3 检测过程实现 | 第36-40页 |
| 3.3.1 检测前预处理 | 第36-37页 |
| 3.3.2 具体的检测过程实现 | 第37-40页 |
| 3.3.3 后处理过程 | 第40页 |
| 3.4 实验结果 | 第40-43页 |
| 3.4.1 训练环境 | 第40页 |
| 3.4.2 训练结果 | 第40-41页 |
| 3.4.3 检测结果与分析 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 人脸检测算法的FPGA实现 | 第45-59页 |
| 4.1 系统总体设计 | 第45-49页 |
| 4.1.1 系统的硬件平台 | 第45-46页 |
| 4.1.2 Nios Ⅱ软核SOPC系统开发环境 | 第46页 |
| 4.1.3 系统的需求 | 第46-47页 |
| 4.1.4 系统的组成 | 第47-49页 |
| 4.1.5 系统的结构 | 第49页 |
| 4.2 系统硬件设计 | 第49-56页 |
| 4.2.1 系统各硬件模块 | 第49-54页 |
| 4.2.2 SOPC系统配置 | 第54-56页 |
| 4.3 系统软件设计 | 第56-58页 |
| 4.3.1 Nios Ⅱ软核处理器 | 第56-57页 |
| 4.3.2 算法实现 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 系统调试及运行结果 | 第59-71页 |
| 5.1 系统调试与下载验证 | 第59-61页 |
| 5.1.1 系统调试 | 第59页 |
| 5.1.2 系统的综合编译 | 第59-60页 |
| 5.1.3 引脚锁定 | 第60页 |
| 5.1.4 下载验证 | 第60-61页 |
| 5.2 实验结果与分析 | 第61-69页 |
| 5.3 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 本文的工作总结 | 第71页 |
| 6.2 进一步的工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |