| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·人脸检测的研究背景 | 第9页 |
| ·人脸检测现状 | 第9-12页 |
| ·基于模块的方法 | 第9-11页 |
| ·基于肤色的方法 | 第11页 |
| ·基于统计的方法 | 第11-12页 |
| ·人脸检测展望 | 第12-13页 |
| ·本文的框架构成与所做的主要工作如下 | 第13-15页 |
| 第2章 算法理论 | 第15-41页 |
| ·线分配算法 | 第15-20页 |
| ·线分配算法原理 | 第15-16页 |
| ·线分配算法的证明 | 第16-20页 |
| ·AdaBoost 算法 | 第20-26页 |
| ·AdaBoost 算法原理 | 第20页 |
| ·AdaBoost 算法证明 | 第20-25页 |
| ·AdaBoost 算法的步骤 | 第25-26页 |
| ·基于边界和区域相结合的皮肤分割算法 | 第26-30页 |
| ·肤色模型的基本理论 | 第26-27页 |
| ·光线补偿技术 | 第27页 |
| ·非线性分段色彩变换 | 第27-29页 |
| ·边界和区域相结合的皮肤分割算法 | 第29-30页 |
| ·新型混合聚类算法 | 第30-35页 |
| ·新型混合聚类算法理论 | 第30-32页 |
| ·新型混合模糊聚类算法流程 | 第32-34页 |
| ·利用新型混合模糊聚类训练 RBFNN 的参数 | 第34-35页 |
| ·单层感知器学习和条件概率的理论得出最优弱分类器的算法 | 第35-41页 |
| ·单层感知器学习理论 | 第35-36页 |
| ·单层感知器学习的学习规则以及学习算法 | 第36-37页 |
| ·单层感知器寻找 Viola- Jones 框架的最优弱分类器训练算法 | 第37-41页 |
| 第3章 改进的 VIOLA- JONES 框架 | 第41-56页 |
| ·传统的 Viola- Jones 框架 | 第41-50页 |
| ·Viola- Jones 框架结构 | 第41页 |
| ·Viola- Jones 框架的矩阵特征 | 第41-44页 |
| ·Viola- Jones 框架的积分图 | 第44-48页 |
| ·Viola- Jones 框架的 AdaBoost 算法 | 第48-49页 |
| ·Viola- Jones 框架的级联以及级联后的误差分析 | 第49-50页 |
| ·Viola- Jones 框架的小结 | 第50页 |
| ·改进的 Viola- Jones 框架 | 第50-55页 |
| ·改进的 Viola- Jones 框架的结构 | 第50-51页 |
| ·改进的 Viola- Jones 框架各个部分分别说明 | 第51-55页 |
| ·改进的 Viola- Jones 框架的人脸检测流程 | 第55-56页 |
| 第4章 实验仿真研究 | 第56-65页 |
| ·基于区域和边界结合的肤色分割算法的实验结果 | 第56-58页 |
| ·改进的 Viola- Jones 框架的检测器检测的实验结果 | 第58-63页 |
| ·实验数据分析 | 第63-65页 |
| 第5章 工作总结和展望 | 第65-66页 |
| ·工作总结 | 第65页 |
| ·工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间发表学术论文及参与科研项目 | 第71页 |
