| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·人脸识别的研究背景、内容及意义 | 第8-11页 |
| ·人脸识别的研究背景 | 第8页 |
| ·人脸识别的研究内容 | 第8-9页 |
| ·人脸识别的研究意义 | 第9-11页 |
| ·人脸识别的研究历史 | 第11-13页 |
| ·人脸识别的开端 | 第11-12页 |
| ·人脸识别的飞跃 | 第12-13页 |
| ·人脸识别的持续进步 | 第13页 |
| ·国内外研究现状及分析 | 第13页 |
| ·本课题的研究内容和结构安排 | 第13-16页 |
| ·本论文的研究内容 | 第13-14页 |
| ·本论文的结构安排 | 第14-16页 |
| 第二章 人脸识别的理论基础 | 第16-28页 |
| ·自动人脸检测理论研究 | 第17-22页 |
| ·人脸检测的挑战 | 第17页 |
| ·人脸检测方法分类 | 第17-22页 |
| ·人脸识别理论研究 | 第22-27页 |
| ·基于统计的人脸识别 | 第23-25页 |
| ·基于连接机制的人脸识别 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于学习的小片特征提取自动人脸检 | 第28-49页 |
| ·Boosting算法 | 第28-32页 |
| ·PAC学习模型 | 第28-29页 |
| ·AdaBoost算法 | 第29-31页 |
| ·Gentle boosting算法 | 第31-32页 |
| ·创建数据库 | 第32-33页 |
| ·图像锐化 | 第33-42页 |
| ·直方图均衡化 | 第33-36页 |
| ·混合滤波器边缘检测 | 第36-42页 |
| ·区域特征(part-based feature)提取 | 第42-45页 |
| ·区域模板的随机采样 | 第43-44页 |
| ·分段掩模 | 第44页 |
| ·掩模图像分割 | 第44页 |
| ·建立小片特征索引 | 第44-45页 |
| ·训练分类器 | 第45-48页 |
| ·特征的融合计算 | 第45-46页 |
| ·弱分类器 | 第46-47页 |
| ·强分类器 | 第47页 |
| ·实验结果分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于主元分析(PCA)方法的人脸识别 | 第49-61页 |
| ·K-L变换 | 第49-50页 |
| ·数据库整理 | 第50-51页 |
| ·图像预处理 | 第51-54页 |
| ·直方图均衡化 | 第51-52页 |
| ·图像边缘检测及锐化 | 第52-54页 |
| ·人脸库信息载入 | 第54页 |
| ·训练特征子空间 | 第54-56页 |
| ·K-L变换的结果矩阵 | 第54-55页 |
| ·图像特征值和特征向量的计算–SVD定理 | 第55-56页 |
| ·特征值选取 | 第56-57页 |
| ·能量法 | 第56页 |
| ·图像的子空间投影 | 第56-57页 |
| ·选取距离函数 | 第57-58页 |
| ·欧几里德距离 | 第57页 |
| ·余弦距离 | 第57页 |
| ·最小距离 | 第57-58页 |
| ·实验结果分析 | 第58-60页 |
| ·训练样本数对识别率和响应时间的影响 | 第58页 |
| ·子空间维数对识别率和相应时间的影响 | 第58页 |
| ·训练样本集与子空间维数对识别率和响应时间的影响 | 第58-60页 |
| ·PCA方法的性能评价 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第五章 人脸检测识别系统实现 | 第61-70页 |
| ·数据库介绍 | 第61页 |
| ·系统功能模块划分 | 第61-65页 |
| ·图片录入 | 第63页 |
| ·人脸检测 | 第63-64页 |
| ·人脸识别 | 第64-65页 |
| ·程序设计与实现 | 第65-69页 |
| ·图片录入模块功能实现 | 第65页 |
| ·人脸检测模块功能实现 | 第65-68页 |
| ·人脸识别模块功能实现 | 第68-69页 |
| ·主要文件说明 | 第69页 |
| ·本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| ·工作总结 | 第70页 |
| ·展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 作者在攻读硕士期间的主要研究成果 | 第78页 |