| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 多姿态人脸检测与跟踪的进展 | 第11页 |
| 1.3 多姿态人脸检测与跟踪技术 | 第11-15页 |
| 1.3.1 多姿态人脸检测 | 第11-14页 |
| 1.3.2 人脸跟踪算法 | 第14-15页 |
| 1.4 论文主要工作 | 第15页 |
| 1.5 本文的组织结构安排 | 第15-17页 |
| 第二章 图像预处理及运动前景目标检测 | 第17-30页 |
| 2.1 滤波 | 第17-21页 |
| 2.1.1 中值滤波 | 第17-18页 |
| 2.1.2 均值滤波 | 第18页 |
| 2.1.3 高斯滤波 | 第18-19页 |
| 2.1.4 几种滤波器滤波效果对比 | 第19-21页 |
| 2.2 形态学算法 | 第21-23页 |
| 2.2.1 腐蚀 | 第21-22页 |
| 2.2.2 膨胀 | 第22页 |
| 2.2.3 开运算和闭运算 | 第22-23页 |
| 2.3 图像归一化 | 第23页 |
| 2.4 运动前景目标检测 | 第23-28页 |
| 2.4.1 运动目标检测分类 | 第24页 |
| 2.4.2 高斯模型法概述 | 第24-25页 |
| 2.4.3 混合高斯模型 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 多姿态人脸检测技术及实现 | 第30-61页 |
| 3.1 ADABOOST算法的概况 | 第30-39页 |
| 3.1.1 图像矩形特征表示 | 第32-33页 |
| 3.1.2 积分图像 | 第33-34页 |
| 3.1.3 Adaboost算法训练样本库 | 第34-35页 |
| 3.1.4 级联分类器 | 第35-37页 |
| 3.1.5 PSO算法简介 | 第37-39页 |
| 3.2 基于ADABOOST算法的改进 | 第39-45页 |
| 3.2.1 多姿态人脸样本库训练 | 第39-41页 |
| 3.2.2 构建基于SVM的弱分类器 | 第41-43页 |
| 3.2.3 PSO算法优化弱分类器系数 | 第43-45页 |
| 3.3 边缘检测算法 | 第45-51页 |
| 3.3.1 Roberts算子 | 第46页 |
| 3.3.2 Sobel算子 | 第46-47页 |
| 3.3.3 Prewitt算子 | 第47页 |
| 3.3.4 LOG算子 | 第47-48页 |
| 3.3.5 Canny边缘检测 | 第48-49页 |
| 3.3.6 实验结果与分析 | 第49-51页 |
| 3.4 人脸肤色模型 | 第51-55页 |
| 3.4.1 颜色空间 | 第51-52页 |
| 3.4.2 人脸肤色模型 | 第52-55页 |
| 3.5 实验结果与分析 | 第55-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 人脸跟踪算法及其实现 | 第61-70页 |
| 4.1 人脸跟踪算法概要 | 第61-62页 |
| 4.2 CAMSHIFT跟踪算法 | 第62-65页 |
| 4.2.1 Camshift算法颜色特征计算 | 第62页 |
| 4.2.2 Mean Shift算法 | 第62-63页 |
| 4.2.3 CamShift算法 | 第63-65页 |
| 4.3 KALMAN滤波 | 第65-67页 |
| 4.4 CAMSHIFT与KALMAN滤波结合算法 | 第67页 |
| 4.5 实验结果与分析 | 第67-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 全文总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70-71页 |
| 5.2 后续工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76页 |