| 1 绪论 | 第1-22页 |
| 1．1 引言 | 第8-9页 |
| 1．2 人脸检测的国内外研究概况 | 第9-18页 |
| 1．2．1 彩色图像的人脸检测 | 第10-12页 |
| 1．2．2 灰度图像的人脸检测 | 第12-18页 |
| 1．3 人脸检测存在的主要问题和对策 | 第18-19页 |
| 1．4 本文的工作和论文组织安排 | 第19-22页 |
| 2 统计学习理论和支持向量机 | 第22-42页 |
| 2．1 序言 | 第22-23页 |
| 2．2 机器学习的基本问题和方法 | 第23-26页 |
| 2．2．1 机器学习问题的表示 | 第23-24页 |
| 2．2．2 经验风险最小化 | 第24-25页 |
| 2．2．3 复杂性与推广能力 | 第25-26页 |
| 2．3 统计学习理论的基本思想 | 第26-32页 |
| 2．3．1 学习机器的VC维 | 第27-28页 |
| 2．3．2 推广性的界 | 第28-30页 |
| 2．3．3 结构风险最小化 | 第30-32页 |
| 2．4 支持向量机 | 第32-41页 |
| 2．4．1 最优分类面的构造 | 第33-37页 |
| 2．4．2 广义最优分类面 | 第37-39页 |
| 2．4．3 非线性分类情况的推广 | 第39-40页 |
| 2．4．4 点积形式的核函数及相应的学习机器 | 第40-41页 |
| 2．5 本章小结 | 第41-42页 |
| 3 核函数及其参数选择 | 第42-58页 |
| 3．1 为什么要把输入映射到高维空间 | 第42-46页 |
| 3．1．1 N类l维空间线性可分的概率 | 第42-44页 |
| 3．1．2 增大特征向量的维数l | 第44-46页 |
| 3．2 核函数 | 第46-50页 |
| 3．2．1 Gauss核函数 | 第46-49页 |
| 3．2．2 核函数参数的选择方法 | 第49-50页 |
| 3．3 基于排序的改进自适应遗传算法 | 第50-54页 |
| 3．3．1 选择算子(Selection operator) | 第51-53页 |
| 3．3．2 交叉算子和变异算子(Crossover operator and mutation operator) | 第53-54页 |
| 3．4 基于遗传算法的核函数参数优化的算法实现 | 第54-57页 |
| 3．5 本章小结 | 第57-58页 |
| 4 人脸检测系统 | 第58-82页 |
| 4．1 数据准备 | 第58-63页 |
| 4．1．1 人脸样本的采集 | 第58-60页 |
| 4．1．2 非人脸样本的收集 | 第60-61页 |
| 4．1．3 图像预处理 | 第61-62页 |
| 4．1．4 特征提取 | 第62-63页 |
| 4．2 肤色分割 | 第63-67页 |
| 4．3 窗口金字塔的抽取和融合 | 第67-69页 |
| 4．3．1 图像窗口金字塔 | 第67页 |
| 4．3．2 窗口的融合 | 第67-69页 |
| 4．4 层次型支持向量机检测器 | 第69-74页 |
| 4．4．1 核函数参数的优化 | 第69-73页 |
| 4．4．2 层次型支持向量机检测器 | 第73-74页 |
| 4．5 系统框架 | 第74-76页 |
| 4．6 系统初步测试和再学习 | 第76-78页 |
| 4．7 测试结果 | 第78-81页 |
| 4．8 本章小结 | 第81-82页 |
| 5 结束语 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 作者在硕士研究生阶段科研情况简介 | 第91-92页 |
| 声明 | 第92-94页 |
| 致谢 | 第94页 |