| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景和意义 | 第14页 |
| 1.2 国内外基于人脸的性别识别研究现状 | 第14-16页 |
| 1.2.1 基于人工神经网络进行的研究 | 第14-15页 |
| 1.2.2 支持向量机(Support Vector Machine,SVM) | 第15页 |
| 1.2.3 AdaBoost分类算法 | 第15-16页 |
| 1.2.4 LDA(Linear Discriminant Analysis)线性判别分析法 | 第16页 |
| 1.3 论文组织结构 | 第16-18页 |
| 第二章 图像预处理和人脸数据库 | 第18-24页 |
| 2.1 影响性别识别的因素 | 第18-19页 |
| 2.2 常用人脸数据库 | 第19-20页 |
| 2.3 图像预处理 | 第20-23页 |
| 2.3.1 中值滤波 | 第20-21页 |
| 2.3.2 均值滤波 | 第21页 |
| 2.3.3 直方图均衡化 | 第21-22页 |
| 2.3.4 尺度归一化 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 性别特征的提取方法 | 第24-38页 |
| 3.1 基于整体特征的AdaBoost算法 | 第24-28页 |
| 3.1.1 类Haar(Haar-Like)特征 | 第24-25页 |
| 3.1.2 类Haar矩形特征的表示和计算 | 第25-27页 |
| 3.1.3 利用积分图法快速计算类Haar特征 | 第27-28页 |
| 3.2 基于局部特征的SIFT特征提取算法 | 第28-37页 |
| 3.2.1 Bag-of-words模型 | 第28-29页 |
| 3.2.2 Bag-of-words模型在人脸图像上的的应用 | 第29-30页 |
| 3.2.3 SIFT算法提取不变特征点 | 第30-36页 |
| 3.2.4 K-Means构造单词表 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 性别识别的分类方法 | 第38-48页 |
| 4.1 AdaBoost分类器 | 第38-41页 |
| 4.1.1 Boosting方法 | 第38-39页 |
| 4.1.2 AdaBoost算法原理 | 第39-40页 |
| 4.1.3 AdaBoost算法训练过程 | 第40页 |
| 4.1.4 AdaBoost的优缺点 | 第40-41页 |
| 4.2 朴素贝叶斯分类器(Na?ve Bayes Classifer,NBC ) | 第41-48页 |
| 4.2.1 概率论基础 | 第41-42页 |
| 4.2.2 朴素贝叶斯分类原理及模型 | 第42-43页 |
| 4.2.3 朴素贝叶斯分类器的设计 | 第43-48页 |
| 第五章 基于改良BoW模型的性别识别算法 | 第48-54页 |
| 5.1 经典的BoW模型 | 第48-49页 |
| 5.2 基于改良BoW模型的性别识别算法 | 第49-50页 |
| 5.2.1 改良的BoW特征提取模型 | 第49页 |
| 5.2.2 改进的NBC分类器 | 第49-50页 |
| 5.3 实验验证及结果分析 | 第50-54页 |
| 第六章 总结和展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 作者简介 | 第62-63页 |
