| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·选题的背景和意义 | 第9页 |
| ·国内外研究动态 | 第9-10页 |
| ·主要的人脸检测方法及分类 | 第10-14页 |
| ·基于知识的人脸检测方法 | 第10-11页 |
| ·基于统计的人脸检测方法 | 第11-14页 |
| ·人脸检测的难点和评价标准 | 第14-16页 |
| ·人脸检测的难点 | 第14-15页 |
| ·人脸检测的评价标准 | 第15-16页 |
| ·本文的研究工作 | 第16页 |
| ·本文各章内容安排 | 第16-17页 |
| 第二章 基于肤色分割的人脸检测 | 第17-30页 |
| ·色彩空间 | 第17-21页 |
| ·RGB色彩空间 | 第17-18页 |
| ·HSV色彩空间 | 第18-19页 |
| ·YCbCr色彩空间 | 第19-20页 |
| ·色彩空间的选取 | 第20-21页 |
| ·肤色模型 | 第21-23页 |
| ·简单肤色模型 | 第21-22页 |
| ·统计直方图模型 | 第22页 |
| ·高斯模型 | 第22页 |
| ·混合高斯模型 | 第22-23页 |
| ·肤色模型的选定 | 第23页 |
| ·肤色区域分割 | 第23-26页 |
| ·光照补偿 | 第23页 |
| ·肤色似然图 | 第23-24页 |
| ·肤色二值化处理 | 第24-25页 |
| ·形态学处理 | 第25-26页 |
| ·肤色区域筛选 | 第26-27页 |
| ·区域的长宽比 | 第26页 |
| ·区域的面积 | 第26-27页 |
| ·肤色面积占有率 | 第27页 |
| ·实验结果分析 | 第27-30页 |
| 第三章 基于Adaboost算法的人脸检测 | 第30-60页 |
| ·Adaboost算法原理 | 第30-32页 |
| ·PAC学习模型 | 第30页 |
| ·Adaboost算法 | 第30-32页 |
| ·Adaboost算法的性能分析 | 第32-33页 |
| ·训练误差 | 第32页 |
| ·泛化误差 | 第32-33页 |
| ·Haar-like特征和积分图 | 第33-39页 |
| ·Haar-like矩形特征 | 第34-36页 |
| ·积分图 | 第36-38页 |
| ·利用积分图计算矩形特征 | 第38-39页 |
| ·Adaboost分类器设计 | 第39-41页 |
| ·弱分类器 | 第39-40页 |
| ·强分类器 | 第40-41页 |
| ·级联分类器设计 | 第41-44页 |
| ·级联分类器的结构 | 第41-42页 |
| ·级联分类器的检测率和误检率 | 第42-43页 |
| ·级联分类器的训练算法 | 第43-44页 |
| ·Adaboost算法的改进 | 第44-49页 |
| ·基于权值更新的Adaboost算法改进 | 第44页 |
| ·基于非对称学习模型的Adaboost算法改进 | 第44-48页 |
| ·基于分类器相关性的Adaboost算法改进 | 第48-49页 |
| ·训练样本的选取 | 第49-52页 |
| ·人脸样本的选取 | 第49-51页 |
| ·非人脸样本的选取 | 第51-52页 |
| ·级联分类器的检测过程 | 第52-55页 |
| ·检测方法 | 第52-53页 |
| ·检测过程 | 第53-54页 |
| ·检测结果的合并 | 第54-55页 |
| ·实验结果分析 | 第55-60页 |
| 第四章 基于肤色和改进Adaboost算法的人脸检测 | 第60-67页 |
| ·基于肤色检测和基于Adaboost检测的优缺点 | 第60页 |
| ·基于肤色和改进Adaboost算法的人脸检测 | 第60-61页 |
| ·实验结果分析 | 第61-67页 |
| 第五章 总结与展望 | 第67-69页 |
| ·论文小结 | 第67-68页 |
| ·进一步工作 | 第68页 |
| ·本章小结 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |