| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-17页 |
| ·生物识别技术 | 第7-8页 |
| ·课题研究背景与意义 | 第8-9页 |
| ·国内外的研究现状 | 第9-16页 |
| ·人脸检测的现状 | 第9-12页 |
| ·人脸跟踪的研究现状 | 第12-14页 |
| ·人脸识别的发展现状 | 第14-16页 |
| ·本文主要研究内容及章节安排 | 第16-17页 |
| ·研究内容 | 第16页 |
| ·章节安排 | 第16-17页 |
| 2 基于AdaBoost的人脸检测 | 第17-31页 |
| ·基于AdaBoost人脸检测算法 | 第17-18页 |
| ·人脸特征提取 | 第18-21页 |
| ·基于AdaBoost算法的人脸检测方案 | 第18页 |
| ·特征的选取 | 第18-19页 |
| ·积分图像 | 第19-21页 |
| ·AdaBoost算法的分类器设计 | 第21-24页 |
| ·弱分类器与强分类器 | 第22页 |
| ·强分类器的训练方法 | 第22-23页 |
| ·多分类问题的分类器结构 | 第23-24页 |
| ·基于肤色信息的人脸检测的精细化处理 | 第24-27页 |
| ·Adaboost算法与肤色信息模型结合的细定位 | 第27-28页 |
| ·实验结果分析与小结 | 第28-31页 |
| 3 基于kalman滤波的人脸跟踪 | 第31-37页 |
| ·kalman跟踪理论概述 | 第31页 |
| ·基于kalman滤波的跟踪窗口预测 | 第31-35页 |
| ·kalman滤波器 | 第31-33页 |
| ·卡尔曼滤波跟踪模型 | 第33-35页 |
| ·实验结果分析与小结 | 第35-37页 |
| 4 基于奇异值分解的人脸识别方法 | 第37-47页 |
| ·图像的奇异值分解(SVD) | 第37-39页 |
| ·奇异值向量作为观察向量的理论依据 | 第37-39页 |
| ·基于奇异值分解的人脸特征提取 | 第39-40页 |
| ·基于改进的奇异值分解——分块奇异值分解的人脸特征提取 | 第40-41页 |
| ·人脸几何特征的提取 | 第41-42页 |
| ·根据特征值进行人脸识别 | 第42-44页 |
| ·常用分类器的介绍 | 第42-43页 |
| ·距离函数 | 第43-44页 |
| ·实验结果分析与小结 | 第44-47页 |
| 5 人脸识别系统的开发 | 第47-51页 |
| ·系统功能 | 第47-48页 |
| ·实验结果以及结果分析 | 第48-51页 |
| 6 总结与展望 | 第51-53页 |
| ·对本文的总结 | 第51页 |
| ·展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-57页 |