| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-13页 |
| 1.1 人脸检测的研究背景和意义 | 第8-9页 |
| 1.2 人脸检测的应用 | 第9-10页 |
| 1.3 人脸检测系统的性能评估 | 第10-11页 |
| 1.4 本文主要工作和内容安排 | 第11-13页 |
| 2 人脸检测经典算法 | 第13-24页 |
| 2.1 基于特征的方法 | 第13-17页 |
| 2.1.1 灰度特征 | 第13-15页 |
| 2.1.2 器官特征 | 第15-16页 |
| 2.1.3 纹理特征 | 第16页 |
| 2.1.4 组群与变形模型 | 第16-17页 |
| 2.2 基于图像的方法 | 第17-22页 |
| 2.2.1 线性子空间方法 | 第18-20页 |
| 2.2.2 神经网络方法 | 第20-21页 |
| 2.2.3 其他统计方法 | 第21-22页 |
| 2.3 基于活动轮廓模型的单人检测 | 第22页 |
| 2.4 基于活动轮廓模型的多人检测 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 AdaBoost及其改进算法 | 第24-39页 |
| 3.1 Adaboost算法介绍 | 第24-25页 |
| 3.2 AdaBoost算法构成 | 第25-27页 |
| 3.2.1 Haar特征和积分图像 | 第25-26页 |
| 3.2.2 弱分类器 | 第26-27页 |
| 3.2.3 强分类器 | 第27页 |
| 3.3 基于AdaBoost法的分类器训练流程 | 第27-33页 |
| 3.3.1 弱分类器训练 | 第27-29页 |
| 3.3.2 级联AdaBoost | 第29-33页 |
| 3.4 非平衡AdaBoost | 第33-38页 |
| 3.4.1 AsymBoost | 第34-35页 |
| 3.4.2 多节点非平衡AdaBoost | 第35-36页 |
| 3.4.3 非平衡特征改进算法 | 第36页 |
| 3.4.4 AdaCost算法 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 Gabor特征优化 | 第39-48页 |
| 4.1 Gabor小波 | 第39-43页 |
| 4.1.1 Gabor小波虚部模型 | 第40页 |
| 4.1.2 Gabor小波量级选择 | 第40-41页 |
| 4.1.3 Gabor特征表示和提取 | 第41-43页 |
| 4.2 改进的Gabor小波选取方法 | 第43-46页 |
| 4.2.1 并行AdaBoost算法 | 第43-44页 |
| 4.2.2 用并行AdaBoost选取Gabor小波 | 第44-46页 |
| 4.3 非平衡Gabor特征和Haar特征比较 | 第46页 |
| 4.4 本章小结 | 第46-48页 |
| 5 非线性Boosting算法 | 第48-62页 |
| 5.1 不平衡分类问题 | 第48-49页 |
| 5.1.1 数据层面解决方法 | 第48-49页 |
| 5.1.2 算法层面解决方法 | 第49页 |
| 5.2 Cost-Sensitive算法 | 第49-51页 |
| 5.3 级联结构用于非平衡问题 | 第51-52页 |
| 5.4 非线性Boosting算法 | 第52-56页 |
| 5.5 部分并行结构设计 | 第56页 |
| 5.6 算法性能比较实验 | 第56-61页 |
| 5.6.1 综合数据集对比 | 第56-59页 |
| 5.6.2 人脸检测实验 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |