基于多分类器集成的不良图像检测方法
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究的背景和意义 | 第7-8页 |
| 1.2 不良图像国内外研究现状 | 第8-10页 |
| 1.2.1 国外现状 | 第8-9页 |
| 1.2.2 国内现状 | 第9-10页 |
| 1.3 研究内容及章节安排 | 第10-11页 |
| 第二章 肤色检测技术 | 第11-22页 |
| 2.1 颜色空间 | 第11-14页 |
| 2.1.1 RGB颜色空间 | 第11-12页 |
| 2.1.2 CMY颜色空间 | 第12-13页 |
| 2.1.3 HSV颜色空间 | 第13-14页 |
| 2.1.4 YUV颜色空间 | 第14页 |
| 2.2 肤色模型 | 第14-17页 |
| 2.2.1 高斯肤色模型 | 第15页 |
| 2.2.2 肤色直方图模型 | 第15-17页 |
| 2.3 YCBCR空间肤色检测 | 第17-20页 |
| 2.3.1 YCbCr空间的高斯肤色模型 | 第17-18页 |
| 2.3.2 肤色分割 | 第18-19页 |
| 2.3.3 肤色连通域标记 | 第19-20页 |
| 2.4 肤色检测流程 | 第20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 人脸检测 | 第22-33页 |
| 3.1 人脸检测技术概述 | 第22-24页 |
| 3.2 结合HOUGH变换的人脸检测 | 第24-31页 |
| 3.2.1 边缘检测 | 第24-25页 |
| 3.2.2 Hough变换检测椭圆 | 第25-26页 |
| 3.2.3 Adaboost人脸检测分类器 | 第26-30页 |
| 3.2.4 Adaboost分类器训练 | 第30-31页 |
| 3.3 人脸检测实验 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于支持向量机的分类器构建 | 第33-38页 |
| 4.1 统计学习相关理论 | 第33-34页 |
| 4.1.1 VC维 | 第33页 |
| 4.1.2 推广性的界 | 第33-34页 |
| 4.1.3 结构风险最小化 | 第34页 |
| 4.2 支持向量机 | 第34-37页 |
| 4.2.1 广义最优分类面 | 第34-35页 |
| 4.2.2 核函数 | 第35-37页 |
| 4.3 构造SVM分类器 | 第37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 基于ADABOOST的分类器构造 | 第38-42页 |
| 5.1 ADABOOST算法及特征选取 | 第38页 |
| 5.2 积分图运算 | 第38-40页 |
| 5.3 实验 | 第40-41页 |
| 5.4 本章小结 | 第41-42页 |
| 第六章 SVM和ADABOOST分类器集成 | 第42-46页 |
| 6.1 多分类器集成 | 第42-43页 |
| 6.1.2 基分类器 | 第42-43页 |
| 6.1.3 直接集成 | 第43页 |
| 6.2 检测流程图 | 第43-44页 |
| 6.3. 实验 | 第44-45页 |
| 6.3.1 分类器权重评估实验 | 第44页 |
| 6.3.2 不良图像检测实验 | 第44-45页 |
| 6.4 本章小结 | 第45-46页 |
| 第七章 总结与展望 | 第46-48页 |
| 7.1 全文总结 | 第46-47页 |
| 7.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 在学期间的研究成果 | 第50-51页 |
| 致谢 | 第51页 |
