| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-19页 |
| ·人脸检测的概念和难点 | 第10-12页 |
| ·人脸检测的研究现状 | 第12-15页 |
| ·基于知识的人脸检测方法 | 第13-14页 |
| ·基于统计理论的人脸检测方法 | 第14-15页 |
| ·人脸检测系统的评价标准 | 第15-17页 |
| ·本论文主要研究内容及章节安排 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第二章 Adaboost 算法 | 第19-24页 |
| ·Boosting 算法 | 第19页 |
| ·Adaboost 算法 | 第19-20页 |
| ·Gentle Adaboost 算法 | 第20-21页 |
| ·Adaboost 算法在人脸检测中的应用 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于Gentle Adaboost 算法的人脸检测 | 第24-44页 |
| ·训练样本库的构造 | 第24-26页 |
| ·构建人脸样本库 | 第24-26页 |
| ·构建非人脸样本库 | 第26页 |
| ·Haar 矩形特征 | 第26-35页 |
| ·什么是Haar 矩形特征 | 第27页 |
| ·矩形特征原型 | 第27-29页 |
| ·衍生的矩形特征数目的计算 | 第29-30页 |
| ·矩形特征的特征值 | 第30-31页 |
| ·矩形特征的快速运算 | 第31-33页 |
| ·样本的矩形特征值的存储 | 第33页 |
| ·矩形特征的优化 | 第33-35页 |
| ·分类器的构造 | 第35-38页 |
| ·构造弱分类器 | 第35-36页 |
| ·构造强分类器 | 第36-37页 |
| ·构造级联分类器 | 第37-38页 |
| ·基于Gentle Adaboost 算法的人脸检测系统的训练 | 第38-43页 |
| ·级联分类器的训练过程 | 第38-39页 |
| ·强分类器的训练过程 | 第39-41页 |
| ·弱分类器的训练过程 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 人脸检测的实现 | 第44-51页 |
| ·两种不同人脸检测策略的实现 | 第44-45页 |
| ·传统的人脸检测方法 | 第44-45页 |
| ·基于放大检测窗口的人脸检测策略 | 第45页 |
| ·两种检测过程的分析 | 第45-47页 |
| ·传统的人脸检测过程分析 | 第45-46页 |
| ·基于放大检测窗口的人脸检测过程分析 | 第46-47页 |
| ·检测结果的后续处理 | 第47-49页 |
| ·两种检测策略的实验对比 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于代价因子的Cost-Gentle Adaboost 算法的人脸检测 | 第51-61页 |
| ·Cost-Gentle Adaboost 算法 | 第51-56页 |
| ·Cost-Gentle Adaboost 算法分析 | 第51-55页 |
| ·Cost-Gentle Adaboost 算法的强分类器训练过程 | 第55页 |
| ·Cost-Gentle Adaboost 算法的弱分类器训练过程 | 第55-56页 |
| ·实验结果与分析 | 第56-60页 |
| ·实验条件 | 第57页 |
| ·实验参数的设定 | 第57页 |
| ·测试数据库 | 第57页 |
| ·实验结果对比 | 第57-59页 |
| ·部分检测结果展示 | 第59-60页 |
| ·本章总结 | 第60-61页 |
| 第六章 总结和展望 | 第61-64页 |
| ·本文工作总结 | 第61-62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻硕期间取得的研究成果 | 第68-69页 |
