| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13页 |
| 1.3 人脸检测方法综述 | 第13-18页 |
| 1.3.1 基于先验知识的人脸检测方法 | 第14-16页 |
| 1.3.2 基于机器学习的人脸检测方法 | 第16-18页 |
| 1.4 本文的主要工作和内容安排 | 第18-20页 |
| 第2章 基于ADABOOST的人脸检测原理 | 第20-35页 |
| 2.1 HAAR-LIKE特征提取 | 第20-27页 |
| 2.1.1 Haar-like特征 | 第21-22页 |
| 2.1.2 Haar-like特征数目计算 | 第22-25页 |
| 2.1.3 积分图以及特征值计算 | 第25-27页 |
| 2.2 弱分类器 | 第27-29页 |
| 2.2.1 弱分类器的定义 | 第27-28页 |
| 2.2.2 选择最佳弱分类器 | 第28-29页 |
| 2.3 基于HAAR-LIKE特征的ADABOOST算法 | 第29-32页 |
| 2.3.1 Ada Boost算法原理分析 | 第29-31页 |
| 2.3.2 Ada Boost算法流程 | 第31-32页 |
| 2.4 级联分类器 | 第32-34页 |
| 2.4.1 级联分类器结构 | 第32页 |
| 2.4.2 级联分类器的训练算法 | 第32-33页 |
| 2.4.3 检测率与误检率 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于特征融合的ADABOOST算法 | 第35-44页 |
| 3.1 HAAR-LIKE特征提取复杂度分析 | 第35页 |
| 3.2 LBP特征 | 第35-38页 |
| 3.2.1 LBP特征的引入 | 第36页 |
| 3.2.2 LBP特征的特点描述 | 第36-37页 |
| 3.2.3 LBP特征的计算 | 第37-38页 |
| 3.3 基于特征融合的ADABOOST算法 | 第38-41页 |
| 3.3.1 改进的LBP特征 | 第38-39页 |
| 3.3.2 Haar-like和LBP特征融合的Ada Boost算法 | 第39-40页 |
| 3.3.3 改进的Ada Boost算法流程 | 第40-41页 |
| 3.4 实验结果及分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 改进权值更新和归一化规则的ADABOOST算法 | 第44-51页 |
| 4.1 ADABOOST算法过程分析 | 第44-45页 |
| 4.2 改进的ADABOOST算法 | 第45-46页 |
| 4.2.1 权值归一化规则的改进 | 第45-46页 |
| 4.2.2 权值更新规则的改进 | 第46页 |
| 4.3 改进权值更新和归一化规则的ADABOOST算法 | 第46-48页 |
| 4.4 实验结果及分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第58-59页 |
| 附录B 攻读硕士学位期间参与的科研项目 | 第59页 |
