| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 智能视频监控研究现状 | 第14-15页 |
| 1.2.2 人脸检测研究现状 | 第15-17页 |
| 1.3 主要研究内容和创新点 | 第17-18页 |
| 1.4 本文结构安排 | 第18-19页 |
| 第二章 人脸检测相关技术 | 第19-31页 |
| 2.1 基于Boosting策略的人脸检测方法 | 第19-21页 |
| 2.2 基于深度学习的人脸检测方法 | 第21-25页 |
| 2.3 人脸检测数据集 | 第25-27页 |
| 2.4 人脸检测评价指标 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 卡口人脸数据集的构建和聚合通道特征模型 | 第31-49页 |
| 3.1 构建人脸数据集 | 第31-35页 |
| 3.1.1 人脸图像采集 | 第31-33页 |
| 3.1.2 标注训练集与测试集 | 第33-35页 |
| 3.2 聚合通道特征模型 | 第35-48页 |
| 3.2.1 聚合通道特征 | 第35-40页 |
| 3.2.2 快速的特征计算方法 | 第40-42页 |
| 3.2.3 分类器训练流程 | 第42-46页 |
| 3.2.4 人脸检测流程 | 第46-48页 |
| 3.3 本章小结 | 第48-49页 |
| 第四章 卡口场景下基于聚合通道特征模型的自适应重训练算法 | 第49-65页 |
| 4.1 基于卡口人脸数据集训练聚合通道特征模型 | 第49-57页 |
| 4.1.1 训练数据集 | 第49-51页 |
| 4.1.2 检测窗口的大小 | 第51-52页 |
| 4.1.3 聚合块的大小 | 第52-53页 |
| 4.1.4 预平滑和后平滑核的大小 | 第53-55页 |
| 4.1.5 Boosting训练次数 | 第55-57页 |
| 4.2 卡口场景下模型的自适应重训练算法 | 第57-58页 |
| 4.2.1 算法流程 | 第57-58页 |
| 4.2.2 相关参数设置 | 第58页 |
| 4.3 实验结果 | 第58-63页 |
| 4.3.1 两种负样本采样方法的对比 | 第59-62页 |
| 4.3.2 不同模型的实验结果对比 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 基于聚合通道特征与深度特征融合的人脸检测方法 | 第65-81页 |
| 5.1 深度学习与传统检测方法融合相关工作 | 第65-68页 |
| 5.2 融合ACF特征与深度特征的算法流程 | 第68-69页 |
| 5.3 实验设置与结果分析 | 第69-76页 |
| 5.3.1 实验设置 | 第69-71页 |
| 5.3.2 结果对比与分析 | 第71-76页 |
| 5.4 模型评估 | 第76-79页 |
| 5.4.1 模型检测流程 | 第76-77页 |
| 5.4.2 检测结果对比 | 第77-79页 |
| 5.5 本章小结 | 第79-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 本文工作内容 | 第81页 |
| 6.2 未来工作展望 | 第81-83页 |
| 参考文献 | 第83-89页 |
| 附录 攻读硕士期间发表的论文 | 第89-91页 |
| 致谢 | 第91-92页 |