| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 人脸分析与识别概述 | 第12-14页 |
| 1.2 论文组织 | 第14-15页 |
| 第二章 国内外研究进展 | 第15-29页 |
| 2.1 人脸分析识别发展历史 | 第15-17页 |
| 2.2 人脸分析识别主要方法 | 第17-23页 |
| 2.2.1 人脸检测方法分类 | 第17-20页 |
| 2.2.2 人脸识别方法分类 | 第20-23页 |
| 2.3 人脸分析识别图像库 | 第23-25页 |
| 2.3.1 人脸检测图像库 | 第23页 |
| 2.3.2 人脸识别图像库 | 第23-25页 |
| 2.4 人脸分析识别商业应用系统 | 第25-27页 |
| 2.5 人脸分析识别发展现状总结 | 第27-29页 |
| 第三章 基于Adaboost的人脸检测 | 第29-54页 |
| 3.1 人脸检测训练算法 | 第29-46页 |
| 3.1.1 使用Haar-like特征的Adaboost人脸检测算法 | 第29-35页 |
| 3.1.2 改进的弱分类器——Bayesian Stump | 第35-40页 |
| 3.1.3 改进的Cascade方法——Dynamic Cascade | 第40-43页 |
| 3.1.4 多特征的Adaboost训练算法 | 第43-46页 |
| 3.2 由训练模型生成人脸检测器 | 第46-47页 |
| 3.2.1 利用训练模型对图像进行检测 | 第46-47页 |
| 3.2.2 效率因素 | 第47页 |
| 3.3 人脸检测算法评测 | 第47-53页 |
| 3.3.1 评测图像库 | 第47-48页 |
| 3.3.2 不同弱分类器算法比较 | 第48-49页 |
| 3.3.3 多特征分类器算法比较 | 第49-50页 |
| 3.3.4 不同的人脸检测器算法比较 | 第50-53页 |
| 3.4 人脸检测总结 | 第53-54页 |
| 第四章 人脸识别 | 第54-83页 |
| 4.1 人脸图像预处理 | 第54-55页 |
| 4.1.1 归一化（Normalization） | 第54页 |
| 4.1.2 直方图均衡（Histogram Equalization） | 第54-55页 |
| 4.1.3 去除不相关的背景信息 | 第55页 |
| 4.2 人脸识别算法 | 第55-73页 |
| 4.2.1 主成分分析算法——特征脸 | 第55-59页 |
| 4.2.2 独立成分分析算法 | 第59-66页 |
| 4.2.3 基于张量的算法 | 第66-70页 |
| 4.2.4 局部二值模式算法 | 第70-73页 |
| 4.3 人脸识别算法评测 | 第73-80页 |
| 4.3.1 人脸识别评测数据集 | 第73-75页 |
| 4.3.2 不同识别算法比较 | 第75-80页 |
| 4.4 人脸识别在线学习算法 | 第80-82页 |
| 4.4.1 基于子空间方法的在线学习算法 | 第80-81页 |
| 4.4.2 LBP方法的在线学习算法 | 第81-82页 |
| 4.5 人脸识别总结 | 第82-83页 |
| 第五章 系统设计集成与演示 | 第83-92页 |
| 5.1 系统设计 | 第83-86页 |
| 5.2 性能问题 | 第86-89页 |
| 5.2.1 检测和识别的实时性 | 第86-88页 |
| 5.2.2 识别的连贯性 | 第88-89页 |
| 5.3 系统演示 | 第89-92页 |
| 第六章 总结与展望 | 第92-95页 |
| 参考文献 | 第95-100页 |
| 致谢 | 第100-102页 |
| 攻读硕士期间发表的学术论文 | 第102页 |
