| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1. 绪论 | 第12-26页 |
| 1.1 背景 | 第12-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 人脸检测算法的分类 | 第14-15页 |
| 1.2.2 VIOLA-JONES人脸检测器 | 第15-16页 |
| 1.2.3 深度学习的发展 | 第16-18页 |
| 1.3 面临的挑战 | 第18-20页 |
| 1.3.1 计算机的处理能力问题 | 第18页 |
| 1.3.2 光照变化 | 第18-19页 |
| 1.3.3 人脸的偏转及表情的复杂性 | 第19-20页 |
| 1.3.4 遮挡物 | 第20页 |
| 1.4 检测技术的评价方法 | 第20-22页 |
| 1.4.1 对于检测结果中人脸区域位置的评价方法 | 第20页 |
| 1.4.2 对于检测结果的评价方法 | 第20-22页 |
| 1.5 主要人脸数据集介绍 | 第22-23页 |
| 1.6 论文的主要工作及创新点 | 第23-26页 |
| 1.6.1 本文所做的主要工作 | 第24-25页 |
| 1.6.2 创新点 | 第25-26页 |
| 2. 基于HAAR特征的ADABOOST算法人脸检测理论 | 第26-38页 |
| 2.1 HAAR特征 | 第26-29页 |
| 2.2 积分图 | 第29-30页 |
| 2.3 弱分类器 | 第30-33页 |
| 2.4 强分类器 | 第33-34页 |
| 2.5 级联分类器 | 第34-35页 |
| 2.6 光照问题的处理 | 第35-38页 |
| 3. 深度学习理论及PCANET算法 | 第38-42页 |
| 3.1 深度学习介绍 | 第38-39页 |
| 3.2 PCANET算法 | 第39-42页 |
| 3.2.1 第一层PCA | 第40-41页 |
| 3.2.2 第二层PCA | 第41页 |
| 3.2.3 输出层 | 第41-42页 |
| 4. ADABOOST和PCANET的融合训练方法 | 第42-60页 |
| 4.1 ADABOOST算法的设计和训练 | 第42-43页 |
| 4.1.1 ADABOOST级联分类器的设计及其训练 | 第42-43页 |
| 4.2 PCANET算法的设计和训练 | 第43-45页 |
| 4.2.1 PCANET算法的设计 | 第43页 |
| 4.2.2 PCANET算法的训练 | 第43-45页 |
| 4.2.2.1 初始样本的设计和训练 | 第43-44页 |
| 4.2.2.2 PCANet检测Adaboost的输出结果 | 第44-45页 |
| 4.3 ADABOOST和PCANET的融合训练 | 第45-46页 |
| 4.3.1 融合训练的目的 | 第45页 |
| 4.3.2 融合训练的方法 | 第45-46页 |
| 4.3.3 再次进行PCANET的训练和检测 | 第46页 |
| 4.3.4 ADABOOST和PCANET的循环训练和检测 | 第46页 |
| 4.4 实验结果 | 第46-57页 |
| 4.4.1 使用一种方法的检测结果 | 第46-47页 |
| 4.4.2 融合训练的实验结果 | 第47-57页 |
| 4.5 自学习能力的实现 | 第57-60页 |
| 5. 融合训练的程序模块设计 | 第60-66页 |
| 5.1 程序运行环境 | 第60页 |
| 5.2 程序整体框架 | 第60-61页 |
| 5.3 图像子窗口检测模块 | 第61-63页 |
| 5.4 特征融合更新模块 | 第63-66页 |
| 6. 总结和展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 附录1：程序代码节选 | 第74-84页 |
| 1.1、 Read_directory. m | 第74-75页 |
| 1.2、 Check_face_nonface_PCANet. m | 第75-78页 |
| 1.3、 extHaarLikeFeature. c | 第78-84页 |
| 致谢 | 第84-86页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第86页 |
