| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状与发展 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 文章结构 | 第13-14页 |
| 第二章 人脸检测关键技术基础 | 第14-30页 |
| 2.1 人脸检测算法综述 | 第14-18页 |
| 2.1.1 人工神经网络 | 第14-15页 |
| 2.1.2 支持向量机 | 第15页 |
| 2.1.3 小波变换 | 第15-16页 |
| 2.1.4 Adaboost | 第16-18页 |
| 2.2 相关开发基础 | 第18-30页 |
| 2.2.1 VS 2012集成开发环境 | 第19页 |
| 2.2.2 Java Native Interface | 第19-21页 |
| 2.2.3 Android系统及其开发 | 第21-26页 |
| 2.2.4 OpenCV计算机视觉库 | 第26-30页 |
| 第三章 人脸检测算法设计 | 第30-41页 |
| 3.1 嵌入式平台与PC端的比较 | 第30-32页 |
| 3.1.1 网络 | 第30-31页 |
| 3.1.2 性能 | 第31-32页 |
| 3.1.3 移动性 | 第32页 |
| 3.1.4 设计要点小结 | 第32页 |
| 3.2 待检测区域提取 | 第32-35页 |
| 3.2.1 肤色检测 | 第33页 |
| 3.2.2 形态学处理 | 第33-34页 |
| 3.2.3 基于尺寸筛选 | 第34-35页 |
| 3.3 特征选择与改进 | 第35-37页 |
| 3.3.1 Haar_Like特征 | 第35页 |
| 3.3.2 快速计算特征值 | 第35-37页 |
| 3.3.3 改进型Haar_Like特征设计 | 第37页 |
| 3.4 改进的训练算法 | 第37-41页 |
| 3.4.1 Floatboost原理 | 第38页 |
| 3.4.2 Z_floatboost算法设计 | 第38-41页 |
| 第四章 人脸检测具体实现 | 第41-66页 |
| 4.1 PC端样本训练 | 第41-54页 |
| 4.1.1 正负样本选取 | 第42-43页 |
| 4.1.2 Z_floatboost算法具体实现 | 第43-51页 |
| 4.1.3 训练产生分类器文件 | 第51-54页 |
| 4.2 PC端人脸检测 | 第54-59页 |
| 4.2.1 待检测图片预处理 | 第54-58页 |
| 4.2.2 载入分类器文件检测 | 第58-59页 |
| 4.3 移动端应用开发与人脸检测 | 第59-66页 |
| 4.3.1 应用程序搭建 | 第60-61页 |
| 4.3.2 引入OpenCV | 第61-62页 |
| 4.3.3 JNI调用C/C++处理 | 第62-64页 |
| 4.3.4 载入分类器文件检测 | 第64-66页 |
| 第五章 功能验证与稳定性测试 | 第66-73页 |
| 5.1 功能验证 | 第66-69页 |
| 5.1.1 PC端人脸检测 | 第66-67页 |
| 5.1.2 嵌入式平台人脸检测 | 第67-68页 |
| 5.1.3 人脸检测指标 | 第68-69页 |
| 5.2 稳定性测试 | 第69-73页 |
| 5.2.1 Emmagee指标观察 | 第69-71页 |
| 5.2.2 Monkey压力测试 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 论文总结 | 第73页 |
| 6.2 论文展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |