| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-11页 |
| ·人脸检测的发展 | 第11-12页 |
| ·本文研究内容 | 第12-13页 |
| ·论文结构 | 第13-14页 |
| 第2章 相关研究工作 | 第14-23页 |
| ·主动近红外图像成像原理 | 第14-15页 |
| ·人脸图像归一化处理 | 第15-16页 |
| ·人脸特征表示 | 第16-18页 |
| ·Haar特征 | 第16-17页 |
| ·MB-LBP特征 | 第17-18页 |
| ·人脸检测学习算法 | 第18-20页 |
| ·基于Bayes规则的方法 | 第19页 |
| ·基于神经网络的方法 | 第19-20页 |
| ·基于支持向量机的方法 | 第20页 |
| ·基于AdaBoost的方法 | 第20页 |
| ·眼睛定位算法 | 第20-21页 |
| ·数理形态学 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 一种新型的近红外图像人脸检测算法 | 第23-36页 |
| ·算法概要 | 第23-24页 |
| ·基于Haar特征和AdaBoost算法的人脸区域检测 | 第24-30页 |
| ·基于AdaBoost算法的人脸分类器的构建 | 第25-29页 |
| ·人脸检测处理 | 第29-30页 |
| ·眼睛精确定位 | 第30-35页 |
| ·眼镜检测 | 第30-32页 |
| ·基于N-Quoit滤波器的眼睛定位 | 第32-33页 |
| ·基于"人脸可信度最大"准则的眼睛定位 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 系统设计和实现 | 第36-44页 |
| ·系统总体结构 | 第36页 |
| ·Adaboost训练子系统设计与实现 | 第36-41页 |
| ·人脸图像归一化处理模块 | 第37页 |
| ·初始训练用非人脸样本生成模块 | 第37-38页 |
| ·Haar特征集合生成模块 | 第38页 |
| ·特征向量集生成模块 | 第38-39页 |
| ·强分类器训练模块 | 第39-40页 |
| ·自举训练用反例样本模块 | 第40页 |
| ·更新验证用样本模块 | 第40-41页 |
| ·级联分类器训练模块 | 第41页 |
| ·眼睛定位子系统设计与实现 | 第41-43页 |
| ·人脸区域检测模块 | 第41-43页 |
| ·眼睛定位模块 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第5章 实验与评估 | 第44-52页 |
| ·实验数据 | 第44-45页 |
| ·实验方法及实验结果 | 第45-50页 |
| ·实验分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 总结和展望 | 第52-53页 |
| ·论文总结 | 第52页 |
| ·后续研究工作 | 第52-53页 |
| 附录 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |