| 中文摘要 | 第1-27页 |
| Abstract | 第27-31页 |
| 目录 | 第31-37页 |
| 图表目录 | 第37-41页 |
| 第一章 绪论 | 第41-65页 |
| ·生物特征识别技术 | 第41-45页 |
| ·指纹识别 | 第42-43页 |
| ·虹膜识别 | 第43页 |
| ·人脸温谱图识别 | 第43-44页 |
| ·声纹识别 | 第44页 |
| ·耳廓识别 | 第44-45页 |
| ·自动人脸识别技术 | 第45-46页 |
| ·人脸识别研究的意义 | 第46-48页 |
| ·人脸生物特征识别的优势与困难 | 第48-49页 |
| ·人脸识别的优势 | 第48页 |
| ·人脸识别的困难 | 第48-49页 |
| ·AFR研究简史及现状分析 | 第49-51页 |
| ·人脸识别研究简史 | 第49-51页 |
| ·国内研究现状 | 第51页 |
| ·人脸识别评测体系 | 第51-55页 |
| ·人脸图像数据库 | 第51-52页 |
| ·评测方案 | 第52-55页 |
| ·本文主要贡献及组织结构 | 第55-60页 |
| ·本文主要贡献 | 第55-58页 |
| ·研究思路与组织结构 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 第二章 人脸识别技术研究综述 | 第65-83页 |
| ·人脸检测与定位 | 第65-70页 |
| ·基于特征的方法 | 第65-66页 |
| ·基于肤色检测的方法 | 第66-67页 |
| ·基于模板匹配的方法 | 第67页 |
| ·基于统计学习的方法 | 第67-69页 |
| ·实时人脸检测的转折点 | 第69-70页 |
| ·人脸识别的主要技术方法 | 第70-73页 |
| ·人脸子空间法 | 第70-71页 |
| ·局部特征匹配 | 第71页 |
| ·混合方法 | 第71-73页 |
| ·人脸识别商业系统简介 | 第73-74页 |
| ·人脸识别系统若干关键技术问题 | 第74-76页 |
| ·光照变化 | 第74页 |
| ·姿态变化 | 第74-75页 |
| ·人脸图像获取质量 | 第75页 |
| ·人脸老化 | 第75页 |
| ·化妆与整容 | 第75-76页 |
| ·本章小结 | 第76页 |
| 参考文献 | 第76-83页 |
| 第三章 人脸检测与跟踪 | 第83-103页 |
| ·引言 | 第83-84页 |
| ·Haar函数及 Haar变换 | 第84-86页 |
| ·Haar函数系定义 | 第84页 |
| ·Haar变换 | 第84页 |
| ·人脸 Haar特征抽取 | 第84-86页 |
| ·人脸类 Haar特征快速算法 | 第86-87页 |
| ·Ada Boost级联分类器 | 第87-94页 |
| ·弱分类器 | 第88页 |
| ·强分类器 | 第88-91页 |
| ·级联强分类器 | 第91-92页 |
| ·特征缩放与平移算法 | 第92-93页 |
| ·基于 Haar特征级联强分类器和肤色模型校验人脸检测 | 第93-94页 |
| ·视频人脸跟踪 | 第94-98页 |
| ·CamShift算法 | 第94-97页 |
| ·自动人脸跟踪算法 | 第97-98页 |
| ·实验结果与分析 | 第98-100页 |
| ·本章小结 | 第100-101页 |
| 参考文献 | 第101-103页 |
| 第四章 自适应线性判别分析(A-LDA) | 第103-115页 |
| ·引言 | 第103页 |
| ·主成分分析法—特征脸法 | 第103-107页 |
| ·训练样本空间 | 第103-106页 |
| ·测试样本空间 | 第106页 |
| ·识别分类 | 第106-107页 |
| ·线性判别分析 | 第107-111页 |
| ·多类 Fisher判别准则 | 第107-108页 |
| ·小样本问题(Small-Sample-Size) | 第108-109页 |
| ·自适应线性判别分析 | 第109-111页 |
| ·基于A-LDA的人脸识别 | 第111-113页 |
| ·训练过程 | 第111-112页 |
| ·识别过程 | 第112-113页 |
| ·实验结果 | 第113页 |
| ·本章小结 | 第113页 |
| 参考文献 | 第113-115页 |
| 第五章 人脸关键特征定位与特征抽取 | 第115-135页 |
| ·引言 | 第115-116页 |
| ·人眼检测方法回顾 | 第116-117页 |
| ·主动红外人眼检测 | 第116页 |
| ·基于图像的被动人眼检测 | 第116-117页 |
| ·实时人眼检测算法 | 第117-121页 |
| ·人眼检测分类器 | 第118-120页 |
| ·瞳孔定位算法 | 第120-121页 |
| ·人脸归一化与姿态校正 | 第121-123页 |
| ·人脸 Gabor特征抽取算法 | 第123-130页 |
| ·Gabor函数 | 第123-124页 |
| ·二维 Gabor滤波器 | 第124-125页 |
| ·Gabor核函数的选择 | 第125页 |
| ·滤波器参数选择 | 第125-126页 |
| ·KFR-Gabor和 MR-Gabor特征抽取算法 | 第126-130页 |
| ·本章小结 | 第130-131页 |
| 参考文献 | 第131-135页 |
| 第六章 基于 SVM和 Gabor特征 A-LDA的人脸识别 | 第135-155页 |
| ·引言 | 第135页 |
| ·统计学习理论 | 第135-138页 |
| ·损失函数和期望风险 | 第135-136页 |
| ·结构风险最小化原理 | 第136-137页 |
| ·VC维—置信区间 | 第137-138页 |
| ·线性支持向量机 | 第138-141页 |
| ·非线性支持向量机 | 第141-143页 |
| ·多类分类支持向量机及其训练 | 第143-146页 |
| ·识别算法性能比对 | 第146-153页 |
| ·方案一:基于 A-LDA分析和 SVM的人脸识别(A-SVM) | 第146-148页 |
| ·方案二:基于 MR-Gabor特征抽取和 SVM的人脸识别(MR-G-SVM) | 第148-149页 |
| ·方案三:基于 MR-Gabor特征和 A-LDA及 SVM的人脸识别(G-A-SVM) | 第149-151页 |
| ·识别性能比对 | 第151-153页 |
| ·本章小结 | 第153-154页 |
| 参考文献 | 第154-155页 |
| 第七章 综合形状和纹理特征的人脸识别 | 第155-181页 |
| ·引言 | 第155-156页 |
| ·可变形统计模型 | 第156-167页 |
| ·统计形状模型 | 第156-164页 |
| ·统计外观模型 | 第164-167页 |
| ·基于可变形模型的人脸识别 | 第167-173页 |
| ·主动形状模型 | 第167-170页 |
| ·主动外观模型 | 第170-173页 |
| ·AAM模型训练与测试 | 第173-176页 |
| ·AAM模型训练 | 第173-174页 |
| ·模型测试 | 第174-176页 |
| ·综合形状和纹理的人脸识别系统框架 | 第176-178页 |
| ·人脸形状和纹理表征 | 第176-177页 |
| ·人脸识别系统框架 | 第177-178页 |
| ·本章小结 | 第178页 |
| 参考文献 | 第178-181页 |
| 第八章 自动人脸识别系统设计 | 第181-217页 |
| ·引言 | 第181页 |
| ·系统设计 | 第181-185页 |
| ·系统工作环境 | 第181-183页 |
| ·训练集的构造 | 第183-184页 |
| ·核心算法的考虑 | 第184-185页 |
| ·防欺骗策略 | 第185页 |
| ·基于 2D人脸图像身份认证系统 | 第185-193页 |
| ·基于动态视频的人脸身份识别 | 第185-188页 |
| ·基于视频和远距离RFID卡的人员身份验证 | 第188-191页 |
| ·静态人像照片比对 | 第191-193页 |
| ·系统实现 | 第193-216页 |
| ·系统硬件结构 | 第193-194页 |
| ·系统软件结构 | 第194-196页 |
| ·开发平台的选择 | 第196页 |
| ·系统工作截图 | 第196-197页 |
| ·部分实现源代码() | 第197-216页 |
| ·本章小结 | 第216页 |
| 参考文献 | 第216-217页 |
| 第九章 总结与展望 | 第217-225页 |
| ·研究背景及研究的主要问题 | 第217页 |
| ·研究意义及研究的主要内容 | 第217-221页 |
| ·未来的展望及尝试 | 第221-225页 |
| 攻读博士学位期间的主要科研工作 | 第225-227页 |
| 致谢 | 第227页 |
