| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 光照处理 | 第8-10页 |
| 1.2.2 特征提取 | 第10-11页 |
| 1.2.3 人脸检测 | 第11-13页 |
| 1.2.4 人脸检测的难点 | 第13页 |
| 1.3 主要内容及结构安排 | 第13-14页 |
| 2 复杂光照的图像增强 | 第14-18页 |
| 2.1 复杂光照的问题描述 | 第14页 |
| 2.2 光照不均的图像的增强算法 | 第14-17页 |
| 2.2.1 灰度变换法 | 第14-15页 |
| 2.2.2 梯度域图像增强 | 第15-16页 |
| 2.2.3 基于光照-反射模型的增强 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 3 多滤波融合的复杂光照下的图像增强算法 | 第18-44页 |
| 3.1 Retinex理论 | 第18-20页 |
| 3.2 引导滤波 | 第20-21页 |
| 3.3 低秩恢复 | 第21-24页 |
| 3.3.1 低秩恢复理论 | 第21页 |
| 3.3.2 低秩恢复矩阵求解模型 | 第21-24页 |
| 3.4 多滤波融合的图像增强算法 | 第24-31页 |
| 3.4.1 算法思想 | 第24-30页 |
| 3.4.2 算法流程 | 第30-31页 |
| 3.5 灰度图像实验结果分析 | 第31-38页 |
| 3.5.1 主观评价 | 第31-33页 |
| 3.5.2 客观评价 | 第33-38页 |
| 3.6 彩色图像实验结果分析 | 第38-43页 |
| 3.6.1 主观评价 | 第39-41页 |
| 3.6.2 客观评价 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 4 基于Haar和LBP特征相结合的Adaboost人脸检测算法 | 第44-58页 |
| 4.1 特征融合 | 第44-49页 |
| 4.1.1 Haar特征 | 第44-45页 |
| 4.1.2 LBP特征 | 第45-46页 |
| 4.1.3 HLBP特征 | 第46-49页 |
| 4.2 基于HLBP特征提取的Adaboost人脸检测算法 | 第49-53页 |
| 4.2.1 Boosting分类器 | 第50页 |
| 4.2.2 Adaboost分类器 | 第50-52页 |
| 4.2.3 特征降维 | 第52-53页 |
| 4.3 算法思想 | 第53-55页 |
| 4.3.1 基于正常光照图像的人脸检测 | 第53-54页 |
| 4.3.2 基于复杂光照图像的人脸检测 | 第54-55页 |
| 4.4 实验结果分析 | 第55-57页 |
| 4.4.1 正常光照图像的Adaboost模型 | 第55-56页 |
| 4.4.2 复杂光照图像的Adaboost模型 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结束语 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 进一步的工作 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |