| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题的研究背景与意义 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-16页 |
| 1.2.1 视频监控系统的研究现状 | 第12-14页 |
| 1.2.2 人脸检测与跟踪的研究现状 | 第14-16页 |
| 1.3 本文主要研究内容与结构 | 第16-18页 |
| 第2章 视频监控系统及人脸检测与跟踪算法简介 | 第18-25页 |
| 2.1 视频监控系统的组成 | 第18-19页 |
| 2.2 视频监控系统中的关键技术 | 第19-20页 |
| 2.3 视频监控系统中人脸检测与跟踪的应用 | 第20-21页 |
| 2.4 常用的人脸检测算法分类 | 第21-23页 |
| 2.5 常用的人脸跟踪算法分类 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于肤色分割与筛选的Adaboost人脸检测算法研究 | 第25-41页 |
| 3.1 肤色分割与筛选理论分析 | 第25-32页 |
| 3.1.1 色彩空间的概述 | 第25-28页 |
| 3.1.2 肤色模型的概述 | 第28-29页 |
| 3.1.3 肤色区域分割与筛选的实现 | 第29-32页 |
| 3.2 Adaboost人脸检测算法分析 | 第32-37页 |
| 3.2.1 Haar特征的概述 | 第33-34页 |
| 3.2.2 积分图的概述 | 第34-35页 |
| 3.2.3 Adaboost人脸检测算法原理 | 第35-37页 |
| 3.3 改进的人脸检测算法研究 | 第37-40页 |
| 3.3.1 算法的提出 | 第37页 |
| 3.3.2 算法的实现 | 第37-39页 |
| 3.3.3 实验结果及分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于Camshift聚类的粒子滤波人脸跟踪算法研究 | 第41-60页 |
| 4.1 Camshift人脸跟踪算法分析 | 第41-46页 |
| 4.1.1 Meanshift人脸跟踪算法原理 | 第41-43页 |
| 4.1.2 Camshift人脸跟踪算法原理 | 第43-46页 |
| 4.2 粒子滤波人脸跟踪算法分析 | 第46-52页 |
| 4.2.1 贝叶斯滤波原理 | 第47-48页 |
| 4.2.2 蒙特卡罗采样原理 | 第48页 |
| 4.2.3 序列重要性采样原理 | 第48-49页 |
| 4.2.4 粒子滤波人脸跟踪算法原理 | 第49-52页 |
| 4.3 改进的人脸跟踪算法研究 | 第52-59页 |
| 4.3.1 算法的提出 | 第52页 |
| 4.3.2 粒子聚类处理算法 | 第52-53页 |
| 4.3.3 算法的实现 | 第53-54页 |
| 4.3.4 实验及结果分析 | 第54-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 人脸检测与跟踪算法在视频监控中的应用 | 第60-68页 |
| 5.1 应用方案的设计 | 第60-62页 |
| 5.2 人脸检测与跟踪功能的实现 | 第62-64页 |
| 5.3 性能测试与分析 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |