| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 引言 | 第12-14页 |
| 1.1.1 研究历史背景 | 第12-13页 |
| 1.1.2 课题研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-26页 |
| 1.2.1 人脸检测技术概述 | 第16-21页 |
| 1.2.2 人脸识别技术概述 | 第21-26页 |
| 1.2.3 面临的研究难点 | 第26页 |
| 1.3 本文研究内容及论文结构 | 第26-28页 |
| 1.3.1 本文研究内容 | 第26-27页 |
| 1.3.2 论文组织结构 | 第27-28页 |
| 第二章 基于Haar-Like特征的人脸检测算法研究 | 第28-44页 |
| 2.1 Adaboost算法背景 | 第28-29页 |
| 2.2 Adaboost算法原理 | 第29-34页 |
| 2.2.1 Adaboost算法描述 | 第29-31页 |
| 2.2.2 Adaboost算法分析 | 第31-34页 |
| 2.3 基于Haar-Like特征的人脸检测算法 | 第34-42页 |
| 2.3.1 Haar-Like特征提取 | 第34-36页 |
| 2.3.2 Haar-Like特征分析 | 第36-39页 |
| 2.3.3 基于Adaboost算法的分类器设计 | 第39-42页 |
| 2.4 小结 | 第42-44页 |
| 第三章 融合MB-LBP特征验证的人脸检测算法 | 第44-60页 |
| 3.1 基于MB-LBP特征的人脸检测算法 | 第44-47页 |
| 3.1.1 MB-LBP特征提取 | 第44-46页 |
| 3.1.2 基于MB-LBP特征的分类器构造 | 第46-47页 |
| 3.2 融合算法的实现 | 第47-56页 |
| 3.2.1 人脸检测器获取 | 第47-54页 |
| 3.2.2 人脸检测流程 | 第54-56页 |
| 3.3 实验结果 | 第56-59页 |
| 3.4 小结 | 第59-60页 |
| 第四章 基于主成分分析的人脸识别算法分析与改进 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 主成分分析的数学原理 | 第60-64页 |
| 4.2.1 离散K-L变换 | 第60-62页 |
| 4.2.2 PCA人脸识别流程 | 第62-64页 |
| 4.3 双向分块模糊 2DPCA人脸识别算法 | 第64-70页 |
| 4.3.1 双向 2DPCA算法 | 第65-66页 |
| 4.3.2 模糊 2DPCA算法 | 第66-68页 |
| 4.3.3 特征提取 | 第68-69页 |
| 4.3.4 分类器设计 | 第69-70页 |
| 4.4 实验结果 | 第70-74页 |
| 4.5 小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 论文工作总结 | 第76-77页 |
| 5.2 未来工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 作者在学期间取得的学术成果 | 第84页 |