| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-23页 |
| ·研究背景 | 第11页 |
| ·研究难点 | 第11-13页 |
| ·人脸检测算法概述 | 第13-17页 |
| ·人脸检测概念定义 | 第13页 |
| ·早期国内外研究进展 | 第13-16页 |
| ·近年来国内外研究进展 | 第16-17页 |
| ·人脸检测的性能评价 | 第17-20页 |
| ·性能评价指标 | 第17-18页 |
| ·性能评价准则 | 第18页 |
| ·性能评价方法 | 第18-19页 |
| ·测试数据集 | 第19-20页 |
| ·人脸检测评价方法仍存在的难点和不足 | 第20页 |
| ·论文提纲 | 第20-21页 |
| ·本文的工作和贡献 | 第21-23页 |
| 第二章 Viola-Jones检测器原理 | 第23-45页 |
| ·Haar特征和积分图 | 第23-29页 |
| ·Haar特征 | 第23-26页 |
| ·Haar特征数量 | 第26页 |
| ·积分图 | 第26-27页 |
| ·利用积分图快速计算Haar特征值 | 第27-29页 |
| ·弱分类器 | 第29-32页 |
| ·弱分类器定义 | 第29页 |
| ·如何构造弱分类器 | 第29-32页 |
| ·使用AdaBoost学习算法组建强分类器 | 第32-35页 |
| ·Discrete AdaBoost学习算法训练流程 | 第32-34页 |
| ·AdaBoost训练过程的复杂度分析 | 第34页 |
| ·AdaBoost训练过程的中的光照处理 | 第34-35页 |
| ·理解AdaBoost | 第35页 |
| ·利用级联分类器思想加快检测速度 | 第35-41页 |
| ·级联分类器 | 第36-37页 |
| ·级联分类器的设计与分析 | 第37-38页 |
| ·级联分类器的训练流程 | 第38-39页 |
| ·采用级联分类器的优势和可能存在的问题 | 第39-41页 |
| ·级联分类器的检测过程 | 第41-45页 |
| ·检测具体流程 | 第41-42页 |
| ·进一步加快检测速度 | 第42页 |
| ·合并多重检测结果 | 第42-45页 |
| 第三章 人脸检测技术近年来的发展 | 第45-57页 |
| ·LBP特征的引入 | 第45-48页 |
| ·LBP背景 | 第45-46页 |
| ·Multi-Block LBP | 第46-48页 |
| ·快速计算Multi-Block LBP特征 | 第48页 |
| ·引入LBP特征的好处 | 第48页 |
| ·AdaBoost通用学习算法的改进 | 第48-57页 |
| ·Boosting算法背景 | 第48-49页 |
| ·更一般化的Real AdaBoost | 第49-53页 |
| ·LogitBoost和GentleBoost | 第53页 |
| ·FloatBoost | 第53-57页 |
| 第四章 训练人脸检测器 | 第57-73页 |
| ·准备训练样本 | 第57-59页 |
| ·截取人脸图片 | 第57-58页 |
| ·通过变换生成更多的正样本 | 第58页 |
| ·准备负样本 | 第58-59页 |
| ·选择AdaBoost算法 | 第59页 |
| ·级联分类器层数对性能的影响 | 第59-62页 |
| ·单层训练样本数量对性能的影响 | 第62-63页 |
| ·正负样本比例对级联分类器性能的影响 | 第63-64页 |
| ·为截取的人脸保留合适的背景 | 第64-66页 |
| ·加入更多样化的正样本 | 第66-67页 |
| ·光照和暗肤色 | 第66页 |
| ·扩展正脸检测器的检测角度 | 第66-67页 |
| ·引入更多真实数据 | 第67页 |
| ·选择Haar还是LBP | 第67-69页 |
| ·检测性能 | 第67页 |
| ·检测速度 | 第67-68页 |
| ·训练耗时 | 第68-69页 |
| ·FloatBoost实验 | 第69-70页 |
| ·检测性能 | 第69页 |
| ·检测速度 | 第69-70页 |
| ·训练耗时 | 第70页 |
| ·与OpenCV默认分类器性能对比 | 第70-71页 |
| ·实时检测性能 | 第71-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
| 附录 缩略语表 | 第77-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文目录 | 第81页 |