基于核函数的人脸检测研究
| 第一章 人脸检测综述 | 第1-22页 |
| 1．1 引言 | 第8页 |
| 1．2 人脸检测问题的分类及人脸模式分析 | 第8-11页 |
| 1．3 人脸模式的特征提取 | 第11-12页 |
| 1．3．1 肤色特征 | 第11-12页 |
| 1．3．2 灰度特征 | 第12页 |
| 1．4 人脸模式的特征综合 | 第12-19页 |
| 1．4．1 肤色区域分割与人脸验证方法 | 第12-14页 |
| 1．4．2 基于启发式模型的方法 | 第14-15页 |
| 1．4．3 基于统计模型的方法 | 第15-19页 |
| 1．5 小结 | 第19-22页 |
| 第二章 核函数理论及核方法研究 | 第22-60页 |
| 2．1 引言 | 第22页 |
| 2．2 统计学习理论 | 第22-27页 |
| 2．2．1 统计模式识别 | 第23-25页 |
| 2．2．2 神经网络存在的问题 | 第25-27页 |
| 2．3 VC维理论 | 第27-35页 |
| 2．3．1 统计学习问题的一般描述 | 第27-28页 |
| 2．3．2 VC维数 | 第28-31页 |
| 2．3．3 结构风险最小化(SRM)归纳原理 | 第31-33页 |
| 2．3．4 SRM原理与神经网络 | 第33-35页 |
| 2．4 基于核函数的学习算法 | 第35-46页 |
| 2．4．1 支持向量机的算法分析 | 第35-39页 |
| 2．4．2 基于核函数的方法 | 第39-42页 |
| 2．4．3 主要的研究问题 | 第42-45页 |
| 2．4．4 支持向量机的应用 | 第45-46页 |
| 2．5 核方法的改进研究 | 第46-60页 |
| 2．5．1．Fisher判别法研究及其改进 | 第46-53页 |
| 2．5．2 主分量分析法研究及其改进 | 第53-60页 |
| 第三章 基于核函数方法的人脸检测 | 第60-82页 |
| 3．1 系统框架及算法描述 | 第60-61页 |
| 3．2 基于SVM的人脸检测算法 | 第61-72页 |
| 3．2．1 算法概述 | 第61页 |
| 3．2．2 SVM分类器的构造 | 第61-63页 |
| 3．2．3 人脸定位算法 | 第63-64页 |
| 3．2．4 实验结果及数据比较分析 | 第64-70页 |
| 3．2．5 支撑向量机性能分析 | 第70-72页 |
| 3．3 基于KPCA的人脸验证算法 | 第72-82页 |
| 3．3．1 人脸图像预处理 | 第72-74页 |
| 3．3．2 核函数的选取 | 第74-75页 |
| 3．3．3 基于KLT(PCA)的人脸特征提取 | 第75-79页 |
| 3．3．4 归类器 | 第79页 |
| 3．3．5 实验结果及结论 | 第79-82页 |
| 结束语 | 第82-83页 |
| 致谢 | 第83-84页 |
| 作者在硕士研究生阶段科研情况简介 | 第84-85页 |
| 参考文献 | 第85-92页 |
| 声明 | 第92页 |
