| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题来源背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人脸检测的研究现状 | 第12-13页 |
| 1.2.2 人脸识别的研究现状 | 第13-14页 |
| 1.2.3 目标追踪的研究现状 | 第14-15页 |
| 1.3 本文主要内容与组织结构 | 第15-17页 |
| 1.3.1 本文涉及的方法和研究内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16-17页 |
| 第2章 人脸特征提取和分类技术 | 第17-23页 |
| 2.1 Gabor 小波方法 | 第17-19页 |
| 2.1.1 Gabor 小波的定义 | 第17-18页 |
| 2.1.2 Gabor 在人脸特征提取上的应用 | 第18-19页 |
| 2.2 主成分分析法 | 第19-22页 |
| 2.2.1 主成分分析的基本思想与数学模型 | 第19-21页 |
| 2.2.2 主成分分析法的计算步骤 | 第21页 |
| 2.2.3 特征脸 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 Adaboost+ CPCA 方法的人脸检测 | 第23-34页 |
| 3.1 Adaboost 算法 | 第23-25页 |
| 3.1.1 Haar-like 特征 | 第23-24页 |
| 3.1.2 Adaboost 实现 | 第24-25页 |
| 3.2 Adaboost+CPCA 算法 | 第25-29页 |
| 3.2.1 基本原理 | 第25-26页 |
| 3.2.2 积分图 | 第26-28页 |
| 3.2.3 RGB 空间到 YCbCr 空间的转换 | 第28-29页 |
| 3.2.4 YCbCr 空间上的主成分分析 | 第29页 |
| 3.3 实验结果及分析 | 第29-33页 |
| 3.3.1 CPCA 结果分析 | 第29-31页 |
| 3.3.2 Adaboost+CPCA 方法的识别率 | 第31-32页 |
| 3.3.3 训练样本数量对误识别率的影响 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于对 SIFT 改进方法的人脸检测算法 | 第34-46页 |
| 4.1 尺度空间 | 第34-37页 |
| 4.1.1 尺度空间的定义 | 第34-36页 |
| 4.1.2 SIFT 特征点的提取 | 第36页 |
| 4.1.3 SIFT 特征点的匹配 | 第36-37页 |
| 4.2 SIFT 改进算法 | 第37-40页 |
| 4.2.1 改进思想 | 第37页 |
| 4.2.2 聚类分析 | 第37-38页 |
| 4.2.3 数据标准化方法 | 第38-39页 |
| 4.2.4 距离类型的选取 | 第39页 |
| 4.2.5 算法流程 | 第39-40页 |
| 4.3 实验结果及分析 | 第40-45页 |
| 4.3.1 SIFT 的匹配效果 | 第40-42页 |
| 4.3.2 最优化的距离阈值 | 第42-44页 |
| 4.3.3 改进算法的匹配效果 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 运动目标的人脸识别 | 第46-57页 |
| 5.1 高斯模型 | 第46-47页 |
| 5.2 混合高斯模型 | 第47-51页 |
| 5.2.1 混合高斯模型的初始化 | 第48-49页 |
| 5.2.2 参数更新 | 第49页 |
| 5.2.3 前景提取 | 第49页 |
| 5.2.4 自动化识别系统的构建 | 第49-51页 |
| 5.3 实验结果及分析 | 第51-56页 |
| 5.3.1 目标追踪效果 | 第51-52页 |
| 5.3.2 移动目标的人脸识别效果 | 第52-53页 |
| 5.3.3 自然场景下的目标追踪识别效果 | 第53-54页 |
| 5.3.4 SIFT 特征集数量对识别效果的影响 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63页 |
