| 摘要 | 第1页 |
| ABSTRACT | 第4-7页 |
| 第1章 引言 | 第7-12页 |
| ·课题研究的背景和意义 | 第7-8页 |
| ·人脸检测和识别技术的国内外发展动态 | 第8-9页 |
| ·人脸检测方法 | 第9-10页 |
| ·人脸检测存在的主要问题 | 第10页 |
| ·本文研究的重点及内容安排 | 第10-12页 |
| 第2章 肤色模型的建立 | 第12-24页 |
| ·常用色彩空间 | 第12-16页 |
| ·色彩空间的选择 | 第16-17页 |
| ·Anil K.Jain 肤色模型 | 第17-20页 |
| ·本文的肤色模型算法 | 第20-24页 |
| ·基于白平衡方法的色彩平衡 | 第20-22页 |
| ·自适应的肤色模型 | 第22-23页 |
| ·本文的肤色检测算法流程 | 第23-24页 |
| 第3章 数据降维 | 第24-32页 |
| ·降维问题的提出 | 第24-25页 |
| ·降维方法概述 | 第25-27页 |
| ·局部线性嵌入(LLE) | 第27-28页 |
| ·基于图像欧氏距离的局部线性嵌入算法 | 第28-32页 |
| ·图像欧氏距离(Image Euclidean Distance) | 第28-30页 |
| ·基于图像欧氏距离的局部线性嵌入算法 | 第30-32页 |
| 第4章 支持向量机理论 | 第32-48页 |
| ·机器学习与统计学习理论 | 第32-36页 |
| ·机器学习的基本问题 | 第33-34页 |
| ·问题的表示 | 第33页 |
| ·经验风险最小 | 第33-34页 |
| ·复杂性与推广能力 | 第34页 |
| ·统计学习理论 | 第34-36页 |
| ·VC 维 | 第34-35页 |
| ·推广界 | 第35页 |
| ·结构风险最小化 | 第35-36页 |
| ·支持向量机 | 第36-40页 |
| ·广义最优分类面 | 第36-38页 |
| ·支持向量机 | 第38-39页 |
| ·核函数 | 第39-40页 |
| ·支持向量机的训练算法 | 第40-43页 |
| ·块算法（Chunking algorithm） | 第40页 |
| ·分解算法(Decomposing algorithm) | 第40-42页 |
| ·本文的训练算法-基于集合划分的SMO 算法（SDSMO） | 第42-43页 |
| ·支持向量机的学习 | 第43-45页 |
| ·核函数的选择 | 第44页 |
| ·核函数参数的选择 | 第44-45页 |
| ·双线性搜索法 | 第44页 |
| ·网格搜索法 | 第44页 |
| ·本文的方法-双线性网格搜索法 | 第44-45页 |
| ·实验结果 | 第45-48页 |
| ·基于集合划分的SMO 算法(SDSMO)的有效性 | 第45-47页 |
| ·双线性网格搜索法有效性的验证 | 第47-48页 |
| 第5章 基于支持向量机的人脸检测系统 | 第48-59页 |
| ·支持向量机处理分类问题的基本步骤 | 第48页 |
| ·本文的人脸检测系统流程 | 第48-49页 |
| ·肤色检测实验 | 第49-50页 |
| ·IMEDLLE 算法最优化参数的确定 | 第50-52页 |
| ·参数K 的选择 | 第50-51页 |
| ·参数d 的选择 | 第51-52页 |
| ·SVM 分类器的训练 | 第52-55页 |
| ·样本的采集 | 第52-53页 |
| ·数据的预处理 | 第53页 |
| ·核函数参数的选择 | 第53-54页 |
| ·SDSMO 训练算法在人脸检测中的性能 | 第54-55页 |
| ·本文人脸检测方法的抗噪声性能和检测性能的测试 | 第55-56页 |
| ·本文的方法与其他人脸检测方法的比较 | 第56-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 在校期间发表的学术论文和参加科研情况 | 第67页 |
