| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第1章 绪论 | 第11-17页 |
| ·人脸辨识研究的背景、内容及其应用领域 | 第11-13页 |
| ·研究背景 | 第11-12页 |
| ·研究内容 | 第12-13页 |
| ·人脸识别的应用领域 | 第13页 |
| ·人脸识别的国内外研究现状 | 第13-14页 |
| ·国外研究现状 | 第13-14页 |
| ·国内研究现状 | 第14页 |
| ·常用人脸图像库 | 第14-16页 |
| ·研究内容和结构安排 | 第16-17页 |
| ·研究内容 | 第16页 |
| ·结构安排 | 第16-17页 |
| 第2章 人脸图像预处理技术 | 第17-24页 |
| ·OpenCV 的安装与配置 | 第17-19页 |
| ·没有安装 OpenCV 的情况 | 第17-18页 |
| ·安装有 OpenCV 的情况 | 第18-19页 |
| ·OpenCV 的主要模块及数据类型 | 第19-20页 |
| ·OpenCV 的基本数据类型 | 第20页 |
| ·灰度转换 | 第20-21页 |
| ·几何校正 | 第21页 |
| ·直方图均衡化 | 第21-22页 |
| ·图像滤波 | 第22-23页 |
| ·Canny 边缘检测 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于 AdaBoost 的人脸图像检测 | 第24-35页 |
| ·几种常见的人脸检测方法 | 第24-25页 |
| ·基于特征与模板匹配的人脸检测 | 第24-25页 |
| ·基于统计学习的人脸检测方法 | 第25页 |
| ·Haar 与 Haar-like | 第25-27页 |
| ·Haar 函数与 Haar 变换 | 第25-26页 |
| ·人脸 Haar-like 特征与积分图 | 第26页 |
| ·积分图 | 第26-27页 |
| ·AdaBoost 级联分类器 | 第27-32页 |
| ·弱分类器 | 第27-28页 |
| ·强分类器 | 第28-29页 |
| ·级联强分类器 | 第29-30页 |
| ·AdaBoost 强分类器级联改进算法 | 第30-31页 |
| ·特征缩放、平移算法 | 第31-32页 |
| ·实验结果 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于模块 2DPCA 的人脸识别算法研究 | 第35-43页 |
| ·PCA 原理简介 | 第35-37页 |
| ·2D-PCA 特征提取算法研究 | 第37-38页 |
| ·模块 2D-PCA | 第38-39页 |
| ·一种改进的模块 2D-PCA 方法 | 第39-41页 |
| ·距离分类器 | 第41页 |
| ·实验结果 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于 PCA 与 SVM 结合的人脸识别算法探索 | 第43-55页 |
| ·机器学习 | 第43页 |
| ·学习问题的表述 | 第43页 |
| ·经验风险最小化 | 第43页 |
| ·复杂性与推广能力 | 第43页 |
| ·统计学习理论 | 第43-45页 |
| ·VC 维理论 | 第44页 |
| ·推广性的界 | 第44-45页 |
| ·结构风险最小化 | 第45页 |
| ·支持向量机 | 第45-49页 |
| ·线性支持向量机 | 第46-48页 |
| ·非线性支持向量机 | 第48-49页 |
| ·一种 PCA 与 SVM 相结合的人脸识别算法研究 | 第49-50页 |
| ·一种改进的加权 2D-PCA 与 SVM 结合的人脸识别算法 | 第50-53页 |
| ·加权支持向量机 | 第50页 |
| ·算法描述 | 第50-51页 |
| ·算法对样本类别数目补偿分析 | 第51-53页 |
| ·实验结果 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第6章 人脸辨识系统的相关算法实现 | 第55-61页 |
| ·图像采集模块 | 第55页 |
| ·人脸检测模块 | 第55-56页 |
| ·人脸特征提取 | 第56-57页 |
| ·人脸判定模块 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第7章 总结与展望 | 第61-63页 |
| ·研究工作总结 | 第61页 |
| ·进一步研究与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 在学期间发表的学术论文 | 第66页 |
