一种收敛性随机森林在人脸检测中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 人脸检测的主要方法 | 第10-13页 |
| 1.3.1 基于知识特征的检测方法 | 第10-11页 |
| 1.3.2 基于统计特征的检测 | 第11-13页 |
| 1.4 本文研究内容及章节安排 | 第13-15页 |
| 第2章 随机森林的发展与理论基础 | 第15-26页 |
| 2.1 随机森林的发展 | 第15-17页 |
| 2.1.1 集成学习方法 | 第15页 |
| 2.1.2 随机森林的完善与延伸 | 第15-17页 |
| 2.2 随机森林模型架构 | 第17-18页 |
| 2.3 Bagging算法类介绍 | 第18-20页 |
| 2.3.1 Bagging算法介绍与理论基础 | 第18-19页 |
| 2.3.2 Bagging算法工作原理 | 第19-20页 |
| 2.4 随机森林理论基础 | 第20-26页 |
| 2.4.1 随机森林的收敛边界 | 第20-21页 |
| 2.4.2 随机森林泛化误差 | 第21-23页 |
| 2.4.3 随机森林的评定指标 | 第23-24页 |
| 2.4.4 随机森林与Adaboost的联系 | 第24-26页 |
| 第3章 随机森林模型的改进 | 第26-43页 |
| 3.1 随机森林模型存在的问题 | 第26页 |
| 3.2 随机森林模型的数学表述 | 第26-27页 |
| 3.3 随机森林的贝叶斯拟合 | 第27-28页 |
| 3.4 前向逐步叠加模型 | 第28-34页 |
| 3.4.1 前向逐步叠加模型的数学表示 | 第28-31页 |
| 3.4.2 前向叠加模型与Adaboost的关系 | 第31-34页 |
| 3.5 随机森林的改进 | 第34-37页 |
| 3.5.1 随机森林的前向叠加表示 | 第34-36页 |
| 3.5.2 交叉决策森林——ADF | 第36-37页 |
| 3.6 β-γ型随机森算法 | 第37-43页 |
| 3.6.1 β-γ型随机森算法流程 | 第37-39页 |
| 3.6.2 β-γ型随机森林的分类性能 | 第39-43页 |
| 第4章 基于β-γ型随机森林的人脸检测 | 第43-61页 |
| 4.1 检测算法流程 | 第43-47页 |
| 4.1.1 Haar特征介绍 | 第43-45页 |
| 4.1.2 区域内Haar特征个数定义 | 第45-47页 |
| 4.2 积分图像算法 | 第47-49页 |
| 4.2.1 积分图的生成与计算 | 第47-49页 |
| 4.3 样本的训练与检测方式 | 第49-54页 |
| 4.3.1 分类器的级联 | 第49-50页 |
| 4.3.2 训练样本集 | 第50-51页 |
| 4.3.3 Haar特征的选择 | 第51-54页 |
| 4.4 β-γ型随机森林算法实现流程 | 第54-57页 |
| 4.4.1 β-γRFs的特征提取 | 第54-56页 |
| 4.4.2 β-γRFs训练与检测 | 第56-57页 |
| 4.5 实验结果与分析 | 第57-61页 |
| 4.5.1 测试平台 | 第57页 |
| 4.5.2 实验结果与分析 | 第57-61页 |
| 第5章 总结与展望 | 第61-62页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文 | 第67页 |
