| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景、目的及研究意义 | 第8-9页 |
| 1.2 人脸识别技术的发展现状 | 第9-11页 |
| 1.3 人脸识别技术面临的挑战 | 第11-12页 |
| 1.4 论文研究的主要内容及结构安排 | 第12-14页 |
| 第二章 人脸检测与跟踪 | 第14-36页 |
| 2.1 人脸检测概述 | 第14-15页 |
| 2.2 基于学习的人脸检测流程 | 第15-20页 |
| 2.2.1 分类器的离线学习 | 第15-17页 |
| 2.2.2 目标的在线检测 | 第17-19页 |
| 2.2.3 性能评价方法 | 第19-20页 |
| 2.3 基于AdaBoost的人脸检测算法 | 第20-28页 |
| 2.3.1 Haar矩形特征 | 第21-23页 |
| 2.3.2 基于Ada Boost的特征选择 | 第23-24页 |
| 2.3.3 基于Gentle AdaBoost的分类器训练 | 第24-27页 |
| 2.3.4 级联分类器的结构 | 第27-28页 |
| 2.4 实时人脸跟踪算法 | 第28-33页 |
| 2.4.1 粒子滤波器的介绍 | 第28-32页 |
| 2.4.2 粒子滤波器应用于人脸跟踪 | 第32-33页 |
| 2.5 人脸检测校正 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 人脸识别与分类 | 第36-64页 |
| 3.1 基于小波的图像降维算法 | 第36-41页 |
| 3.1.1 二维小波分解算法原理 | 第36-38页 |
| 3.1.2 基于简单加权小波的图像降维算法 | 第38-41页 |
| 3.2 2D-PCA算法介绍 | 第41-47页 |
| 3.2.1 2D-PCA算法原理 | 第42-43页 |
| 3.2.2 改进的模块 2D-PCA算法 | 第43-46页 |
| 3.2.3 实验结果与分析 | 第46-47页 |
| 3.3 最大散度差鉴别分析算法介绍 | 第47-51页 |
| 3.3.1 最大散度差鉴别分析算法 | 第47-49页 |
| 3.3.2 基于类内中间值的加权最大散度差鉴别分析算法 | 第49-50页 |
| 3.3.3 实验结果与分析 | 第50-51页 |
| 3.4 基于支持向量机的分类器设计 | 第51-60页 |
| 3.4.1 支持向量机的算法原理 | 第51-55页 |
| 3.4.2 改进的增量支持向量机算法 | 第55-58页 |
| 3.4.3 分类器的实现方法 | 第58-60页 |
| 3.5 基于多特征融合算法的实现及实验结果分析 | 第60-63页 |
| 3.5.1 基于多特征融合算法的实现流程 | 第61-62页 |
| 3.5.2 实验结果与分析 | 第62-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章 基于人脸识别的门禁系统设计 | 第64-74页 |
| 4.1 基于人脸识别的门禁系统结构 | 第64-70页 |
| 4.2 基于人脸识别的门禁系统软件实现 | 第70-72页 |
| 4.3 系统工程设计及评价 | 第72-73页 |
| 4.4 本章小结 | 第73-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者简介、发表文章及研究成果目录 | 第79-80页 |
| 致谢 | 第80-81页 |