| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状以及难点 | 第10-13页 |
| 1.2.1 人脸检测研究现状 | 第10-12页 |
| 1.2.2 人脸识别研究现状 | 第12-13页 |
| 1.2.3 人脸检测和识别研究难点 | 第13页 |
| 1.3 本文主要工作和章节安排 | 第13-15页 |
| 第二章 基于人脸检测的Adaboost算法 | 第15-30页 |
| 2.1 集成学习原理 | 第15页 |
| 2.2 基于Adaboost的人脸检测算法 | 第15-27页 |
| 2.2.1 Haar特征 | 第17-18页 |
| 2.2.2 矩形特征 | 第18-20页 |
| 2.2.3 积分图 | 第20-21页 |
| 2.2.4 弱分类器 | 第21-23页 |
| 2.2.5 强分类器 | 第23-24页 |
| 2.2.6 训练误差 | 第24-26页 |
| 2.2.7 级联强分类器 | 第26-27页 |
| 2.3 实验结果及分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于肤色分割矫正的人脸检测优化算法 | 第30-44页 |
| 3.1 人脸图像初步处理 | 第30-31页 |
| 3.2 颜色空间 | 第31-33页 |
| 3.2.1 RGB色彩空间 | 第31-32页 |
| 3.2.2 HSV色彩空间 | 第32页 |
| 3.2.3 YUV色彩空间 | 第32-33页 |
| 3.2.4 YCbCr色彩空间 | 第33页 |
| 3.3 建立肤色模型 | 第33-36页 |
| 3.3.1 常见肤色模型 | 第34-35页 |
| 3.3.2 在YCbCr空间建立高斯肤色模型 | 第35-36页 |
| 3.4 肤色分割 | 第36-40页 |
| 3.4.1 似然肤色图 | 第36-37页 |
| 3.4.2 似然肤色图的分割 | 第37-38页 |
| 3.4.3 二值图像的数学形态学处理 | 第38-40页 |
| 3.5 基于肤色分割矫正的人脸检测优化算法 | 第40-43页 |
| 3.5.1 Adaboost学习训练算法的不足 | 第40页 |
| 3.5.2 改进Adaboost训练算法 | 第40-41页 |
| 3.5.3 基于肤色矫正的人脸检测优化算法的实现 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 人脸常用识别算法 | 第44-60页 |
| 4.1 主成分分析PCA | 第44-49页 |
| 4.1.1 K-L变换 | 第45-46页 |
| 4.1.2 PCA方法原理 | 第46-47页 |
| 4.1.3 PCA的人脸识别 | 第47-49页 |
| 4.2 线性判别分析 | 第49-51页 |
| 4.2.1 LDA方法原理 | 第49-51页 |
| 4.2.2 LDA人脸识别过程 | 第51页 |
| 4.3 独立成分分析ICA | 第51-54页 |
| 4.3.1 ICA线性模型 | 第51-52页 |
| 4.3.2 FastICA方法原理以及步骤 | 第52-53页 |
| 4.3.3 ICA人脸识别过程 | 第53-54页 |
| 4.4 实验结果分析 | 第54-59页 |
| 4.4.1 ORL人脸库上的实验 | 第54-57页 |
| 4.4.2 FERET以及UMIST人脸库上的实验 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 Adaboost进阶优化人脸识别算法 | 第60-73页 |
| 5.1 Adaboost进阶算法 | 第60-66页 |
| 5.1.1 Adaboost进阶算法原理 | 第60-62页 |
| 5.1.2 实验分析 | 第62-66页 |
| 5.2 Adaboost进阶算法的改进 | 第66-71页 |
| 5.2.1 改进原理 | 第66-67页 |
| 5.2.2 实验分析 | 第67-71页 |
| 5.3 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间的研究成果 | 第79-80页 |