| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1． 绪论 | 第10-16页 |
| 1．1 研究视频监控系统中的运动人脸检测问题的背景及意义 | 第10-12页 |
| 1．1．1 数字视频监控系统概述 | 第10页 |
| 1．1．2 运动人脸检测问题的提出 | 第10-12页 |
| 1．2 运动人脸检测算法在视频监控系统中的应用 | 第12页 |
| 1．3 国内外现阶段主要研究状况 | 第12-14页 |
| 1．4 本文的研究工作和成果 | 第14-16页 |
| 1．4．1 研究工作及重点 | 第14-15页 |
| 1．4．2 研究成果 | 第15-16页 |
| 2 基于运动目标检测的人脸检测技术 | 第16-26页 |
| 2．1 运动目标检测技术 | 第16-19页 |
| 2．1．1 运动目标检测技术概述 | 第16-17页 |
| 2．1．2 传统运动目标检测算法分析 | 第17-19页 |
| 2．2 人脸检测技术 | 第19-20页 |
| 2．3 本系统所涉及的运动人脸检测技术 | 第20-26页 |
| 2．3．1 光流运动估计法 | 第20-23页 |
| 2．3．2 BP神经网络计算法 | 第23-26页 |
| 3 系统结构 | 第26-29页 |
| 3．1 数字视频监控系统工作原理 | 第26页 |
| 3．2 系统的硬件构成 | 第26-27页 |
| 3．2．1 图像采集系统 | 第27页 |
| 3．2．2 中央计算机 | 第27页 |
| 3．3 系统的软件构成 | 第27页 |
| 3．4 视频运动目标检测的要求及影响因素 | 第27-28页 |
| 3．5 本文的运动人脸检测系统 | 第28-29页 |
| 4 运动图像分割子系统 | 第29-42页 |
| 4．1 引言 | 第29页 |
| 4．2 运动图像分割技术 | 第29-35页 |
| 4．2．1 图像分割理论 | 第29-30页 |
| 4．2．2 传统图像分割算法分析 | 第30-34页 |
| 4．2．3 运动图像分割 | 第34-35页 |
| 4．3 本文的运动分割算法 | 第35-41页 |
| 4．3．1 光流理论 | 第35页 |
| 4．3．2 改进的光流算法 | 第35-37页 |
| 4．3．3 基于运动估计的候选人脸区域分割 | 第37-38页 |
| 4．3．4 侯选人脸区域平滑与提取 | 第38-41页 |
| 4．4 本章小结 | 第41-42页 |
| 5 图象预处理子系统 | 第42-50页 |
| 5．1 引言 | 第42页 |
| 5．2 图象噪声去除 | 第42-45页 |
| 5．2．1二 维数字图象的线性系统 | 第43-44页 |
| 5．2．2 滤波去噪 | 第44-45页 |
| 5．3 图象直方图修正 | 第45-48页 |
| 5．3．1 理论基础 | 第45-47页 |
| 5．3．2 直方图均衡算法设计 | 第47-48页 |
| 5．4 本章小结 | 第48-50页 |
| 6 人脸精确检测子系统 | 第50-62页 |
| 6．1 引言 | 第50页 |
| 6．2 人脸检测方法综述 | 第50-51页 |
| 6．2．1 基于统计的人脸检测方法 | 第50-51页 |
| 6．2．2 基于知识建模的人脸检测方法 | 第51页 |
| 6．3 系统拓扑结构 | 第51-52页 |
| 6．3．1 尺度变化与窗口扫描 | 第52页 |
| 6．3．2 级联的神经网络部分 | 第52页 |
| 6．4 级联神经网络部分 | 第52-57页 |
| 6．4．1 彩色模型与颜色分量 | 第52-55页 |
| 6．4．2 人脸掩膜处理 | 第55-56页 |
| 6．4．3 神经网络结构 | 第56-57页 |
| 6．4．4 本系统的级联神经网络结构 | 第57页 |
| 6．5 实验结果与分析 | 第57-60页 |
| 6．5．1 训练/测试样本的选取 | 第57-58页 |
| 6．5．2 单级神经网络分类实验 | 第58-59页 |
| 6．5．3 级联神经网络分类实验 | 第59-60页 |
| 6．6 人脸检测系统构成 | 第60-61页 |
| 6．7 本章小结 | 第61-62页 |
| 7 结论与展望 | 第62-65页 |
| 7．1 主要结论 | 第62-63页 |
| 7．2 后续研究工作的展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 附:1．作者在攻读硕士学位期间发表的论文目录 | 第68-69页 |
| 2． 作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第69页 |