| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题的背景和意义 | 第12-14页 |
| ·人脸检测与跟踪问题的提出 | 第12页 |
| ·人脸检测与跟踪技术的发展与现状 | 第12-13页 |
| ·人脸检测的难点和存在的主要问题 | 第13-14页 |
| ·本文研究工作概述 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第2章 人脸检测的主要方法 | 第17-29页 |
| ·基于统计的人脸检测算法 | 第19-20页 |
| ·基于人工神经网络的方法 | 第19-20页 |
| ·基于支持向量机的方法 | 第20页 |
| ·主成分分析法 | 第20页 |
| ·基于特征的人脸检测算法 | 第20-22页 |
| ·基于轮廓对称性的人脸检测方法 | 第21页 |
| ·基于局部特征的人脸检测方法 | 第21-22页 |
| ·基于肤色模型的人脸检测算法 | 第22-26页 |
| ·色彩系统的表示及其转换 | 第23-25页 |
| ·肤色模型的建立 | 第25-26页 |
| ·基于肤色模型的人脸检测方法的小结 | 第26页 |
| ·基于模板的人脸检测算法 | 第26-28页 |
| ·固定模板人脸检测方法 | 第26-27页 |
| ·可变形模板人脸检测方法 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第3章 基于轮廓提取和 Haar 特征的检测方法 | 第29-46页 |
| ·输入图像窗口的预处理 | 第29-36页 |
| ·图像的边缘检测 | 第29-33页 |
| ·图像的轮廓提取 | 第33-36页 |
| ·基于 Haar 特征的人脸检测方法 | 第36-41页 |
| ·Haar 特征 | 第37-38页 |
| ·利用 Haar 特征构成的弱分类器 | 第38页 |
| ·AdaBoost 算法 | 第38-39页 |
| ·AdaBoost 的改进算法 | 第39-41页 |
| ·轮廓提取技术与 Haar 特征算法结合的优化方法 | 第41-42页 |
| ·人脸检测方法的具体实现结构 | 第42-45页 |
| ·静态图像中的人脸检测 | 第43-44页 |
| ·视频序列中的人脸检测 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第4章 人脸跟踪算法的研究与系统的实现 | 第46-63页 |
| ·人脸跟踪的主要方法 | 第46-48页 |
| ·基于光流法的人脸跟踪 | 第46-47页 |
| ·基于粒子滤波器的人脸跟踪 | 第47-48页 |
| ·基于直方图匹配和形状约束的人脸跟踪 | 第48页 |
| ·本文中所使用的人脸跟踪算法 | 第48-51页 |
| ·图像的颜色概率分布图 | 第48-49页 |
| ·Mean Shift 算法 | 第49页 |
| ·CAMShift 算法 | 第49-51页 |
| ·CAMShift 算法在系统应用中的优化 | 第51-52页 |
| ·人脸检测与跟踪系统的实现 | 第52-55页 |
| ·系统的开发平台 | 第52页 |
| ·人脸检测与跟踪系统模块 | 第52-55页 |
| ·实验的过程及结果 | 第55-62页 |
| ·小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第70-71页 |
| 致谢 | 第71页 |