基于PCA降维的快速人脸检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及研究的目的和意义 | 第11-12页 |
| 1.2 国内外研究发展现状 | 第12-15页 |
| 1.3 研究论文内容 | 第15-16页 |
| 1.4 论文难点和问题 | 第16页 |
| 1.5 论文结构安排 | 第16-18页 |
| 第2章 相关基础知识 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 HAAR特征分类器 | 第18-27页 |
| 2.2.1 Haar-like特征 | 第18-20页 |
| 2.2.2 特征值计算 | 第20-21页 |
| 2.2.3 Haar分类器 | 第21-27页 |
| 2.3 视频人脸检测 | 第27-29页 |
| 2.3.1 视频序列获取及预处理 | 第27页 |
| 2.3.2 基于滑动窗口的人脸检测 | 第27-28页 |
| 2.3.3 人脸区域溯源标定 | 第28页 |
| 2.3.4 去除重复框 | 第28-29页 |
| 2.4 本文小结 | 第29-30页 |
| 第3章 并行PCA降维算法 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 PCA算法原理 | 第30-34页 |
| 3.2.1 原始数据 | 第30页 |
| 3.2.2 计算协方差矩阵 | 第30-32页 |
| 3.2.3 计算特征向量和特征值 | 第32页 |
| 3.2.4 构建模式矢量 | 第32-33页 |
| 3.2.5 数据汇总处理 | 第33-34页 |
| 3.3 子空间分析 | 第34-36页 |
| 3.3.1 数据预处理 | 第34页 |
| 3.3.2 协方差矩阵递增更新 | 第34-35页 |
| 3.3.3 子空间分析 | 第35-36页 |
| 3.4 并行PCA算法 | 第36-37页 |
| 3.4.1 算法思想 | 第36-37页 |
| 3.4.2 算法实施过程 | 第37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于PCA降维的Haar分类器重构 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 HAAR/矩形特征空间 | 第38-42页 |
| 4.3 基于并行PCA的特征降维 | 第42-47页 |
| 4.3.1 特征空间预处理 | 第42-44页 |
| 4.3.2 并行PCA降维 | 第44-47页 |
| 4.4 HAAR分类器重构 | 第47-49页 |
| 4.4.1 强分类器重构 | 第47-48页 |
| 4.4.2 分类器级联 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验及分析 | 第50-58页 |
| 5.1 实验环境 | 第50-51页 |
| 5.2 实验数据集 | 第51-52页 |
| 5.2.1 ORL人脸数据集 | 第51页 |
| 5.2.2 FERET人脸数据集 | 第51页 |
| 5.2.3 Yale人脸数据集 | 第51-52页 |
| 5.3 实验步骤 | 第52页 |
| 5.4 系统构建分析 | 第52-54页 |
| 5.4.1 训练实验系统 | 第52-53页 |
| 5.4.2 检测系统 | 第53-54页 |
| 5.5 实验结果分析 | 第54-55页 |
| 5.5.1 ORL人脸库实验结果分析 | 第54-55页 |
| 5.5.2 FERET人脸库实验结果分析 | 第55页 |
| 5.5.3 Yale人脸库实验结果分析 | 第55页 |
| 5.6 算法效能评价 | 第55-57页 |
| 5.6.1 降维算法时间对比分析 | 第55-56页 |
| 5.6.2 降维算法效能分析 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
