| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 人工智能技术概述 | 第9-10页 |
| 1.2 机器人视觉 | 第10-13页 |
| 1.2.1 机器人视觉与人脸检测和识别 | 第10-12页 |
| 1.2.2 研究现状 | 第12页 |
| 1.2.3 目前存在的主要问题 | 第12-13页 |
| 1.3 本文研究的主要内容和论文结构 | 第13-14页 |
| 第2章 人脸检测与识别技术概述 | 第14-25页 |
| 2.1 人脸检测技术概述 | 第14-19页 |
| 2.1.1 基于知识的人脸检测 | 第14-16页 |
| 2.1.2 基于模板匹配的人脸检测 | 第16页 |
| 2.1.3 基于统计学习的人脸检测 | 第16-19页 |
| 2.2 人脸识别技术概述 | 第19-25页 |
| 2.2.1 基于特征描述的人脸识别 | 第19-21页 |
| 2.2.2 基于统计学习的人脸识别 | 第21-25页 |
| 第3章 光照补偿 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 彩色图像直方图均衡化(HE) | 第25-26页 |
| 3.3 幂次变换和对数变换 | 第26-29页 |
| 3.4 Retinex算法 | 第29-33页 |
| 3.4.1 单尺度Retinex算法 | 第30-31页 |
| 3.4.2 多尺度Retinex算法 | 第31-32页 |
| 3.4.3 改进的多尺度Retinex增强算法 | 第32-33页 |
| 3.5 实验与分析 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于Adaboost和肤色分割的人脸检测 | 第35-51页 |
| 4.1 引言 | 第35页 |
| 4.2 基于Adaboost的人脸检测 | 第35-43页 |
| 4.2.1 Haar-like特征提取 | 第35-38页 |
| 4.2.2 Adaboost算法原理 | 第38页 |
| 4.2.3 基于Haar-like特征的Adaboost级联检测算法 | 第38-43页 |
| 4.3 基于肤色分割的人脸检测 | 第43-48页 |
| 4.3.1 色彩空间 | 第43-46页 |
| 4.3.2 肤色模型 | 第46-47页 |
| 4.3.3 基于肤色分割的人脸检测算法 | 第47-48页 |
| 4.4 基于Adaboost与肤色分割的两级检测算法 | 第48-49页 |
| 4.5 实验与分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 融合局部Gabor自适应三值微分模式的人脸识别 | 第51-67页 |
| 5.1 引言 | 第51页 |
| 5.2 Gabor特征提取 | 第51-55页 |
| 5.2.1 Gabor滤波器 | 第52-54页 |
| 5.2.2 人脸Gabor特征提取 | 第54-55页 |
| 5.3 局部自适应三值微分模式 | 第55-59页 |
| 5.3.1 局部微分模式(LDP) | 第55-57页 |
| 5.3.2 局部三值微分模式(LTDP) | 第57-58页 |
| 5.3.3 改进的局部自适应三值微分模式(LATDP2) | 第58-59页 |
| 5.4 融合Gabor特征的局部自适应三值微分模式的人脸识别算法 | 第59-63页 |
| 5.5 实验与分析 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
