基于Adaboost算法和不同颜色空间的人脸检测研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究问题的背景及意义 | 第10页 |
| 1.2 国内外的研究现状及趋势 | 第10-12页 |
| 1.2.1 概述 | 第10-11页 |
| 1.2.2 国内外研究现状 | 第11-12页 |
| 1.3 人脸检测方法及分类 | 第12-14页 |
| 1.3.1 基于知识的方法 | 第12页 |
| 1.3.2 基于统计模型的方法 | 第12-13页 |
| 1.3.3 基于模板匹配的方法 | 第13-14页 |
| 1.4 常用的人脸数据库介绍 | 第14-15页 |
| 1.5 检测算法性能评价 | 第15-16页 |
| 1.6 本论文的结构 | 第16-18页 |
| 第二章 基于Adaboost算法的人脸检测算法 | 第18-33页 |
| 2.1 关于学习 | 第18-19页 |
| 2.1.1 机器学习 | 第18页 |
| 2.1.2 弱学习 | 第18页 |
| 2.1.3 强学习 | 第18-19页 |
| 2.1.4 弱学习与强学习的关系 | 第19页 |
| 2.2 Boosting算法 | 第19-20页 |
| 2.2.1 Boosting算法的产生 | 第19页 |
| 2.2.2 Boosting算法的发展历史 | 第19-20页 |
| 2.3 Adaboost算法 | 第20-27页 |
| 2.3.1 Boosting算法的不足 | 第20-21页 |
| 2.3.2 Adaboost算法 | 第21-24页 |
| 2.3.3 Haar-like特征 | 第24-25页 |
| 2.3.3.1 矩形特征向量与计算 | 第24-25页 |
| 2.3.4 积分图像 | 第25-27页 |
| 2.4 训练与构建分类器 | 第27-32页 |
| 2.4.1 训练与构建弱分类器 | 第27-28页 |
| 2.4.2 强分类器的训练与构建 | 第28-32页 |
| 2.4.3.1 级联分类器的训练 | 第29页 |
| 2.4.3.2 级联分类器的构建 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于肤色的人脸检测方法及改进 | 第33-48页 |
| 3.1 肤色特征 | 第33页 |
| 3.2 颜色空间 | 第33-36页 |
| 3.2.1 RGB颜色空间 | 第33-34页 |
| 3.2.1.1 归一化RGB空间 | 第34页 |
| 3.2.2 HSV颜色空间 | 第34-36页 |
| 3.2.3 YCbCr颜色空间 | 第36页 |
| 3.3 肤色模型介绍 | 第36-40页 |
| 3.3.1 肤色模型的建立方法 | 第36页 |
| 3.3.2 不同颜色空间肤色模型建立 | 第36-40页 |
| 3.3.2.1 RGB颜色空间肤色建模 | 第36-37页 |
| 3.3.2.2 HSV颜色空间肤色建模 | 第37-39页 |
| 3.3.2.3 YCbCr颜色空间肤色提取 | 第39-40页 |
| 3.4 肤色建模空间的对比与选择 | 第40-41页 |
| 3.5 肤色建模空间的改进 | 第41-44页 |
| 3.5.1 改进的YCbCr颜色空间 | 第42页 |
| 3.5.2 新颜色空间肤色建模 | 第42-44页 |
| 3.6 肤色分割 | 第44-45页 |
| 3.7 肤色分割的后续处理 | 第45-47页 |
| 3.8 本章小结 | 第47-48页 |
| 第四章 人脸检测系统实现 | 第48-61页 |
| 4.1 肤色检测与分割 | 第48-57页 |
| 4.2 基于Adaboost算法的人脸检测 | 第57-60页 |
| 4.3 本章小结 | 第60-61页 |
| 第五章 实验结果及对比分析 | 第61-69页 |
| 5.1 单人脸图片训练及检测 | 第61-63页 |
| 5.2 多人脸图片训练及检测 | 第63-67页 |
| 5.3 系统性能分析 | 第67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-73页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 展望 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士期间发表的学术论文 | 第79-81页 |
| 攻读硕士期间参与项目与课题 | 第81-82页 |
| 攻读硕士期间专利 | 第82-83页 |
| 致谢 | 第83-84页 |
