声明
摘要
1.绪论
1.1 背景
1.2 研究现状
1.2.1 人脸检测算法的分类
1.2.2 Viola-Jones人脸检测器
1.2.3 深度学习的发展
1.3 面临的挑战
1.3.1 计算机的处理能力问题
1.3.2 光照变化
1.3.3 人脸的偏转及表情的复杂性
1.3.4 遮挡物
1.4 检测技术的评价方法
1.4.1 对于检测结果中人脸区域位置的评价方法
1.4.2 对于检测结果的评价方法
1.5 主要人脸数据集介绍
1.6 论文的主要工作及创新点
1.6.1 本文所做的主要工作
1.6.2 创新点
2.基于Haar特征的Adaboost算法人脸检测理论
2.1 Haar特征
2.2 积分图
2.3 弱分类器
2.4 强分类器
2.5 级联分类器
2.6 光照问题的处理
3.深度学习理论及PCANet算法
3.1 深度学习介绍
3.2 PCANet算法
3.2.1 第一层PCA
3.2.2 第二层PCA
3.2.3 输出层
4.Adaboosl和PCANet的融合训练方法
4.1 Adaboost算法的设计和训练
4.1.1 Adaboost级联分类器的设计及其训练
4.2 PCANet算法的设计和训练
4.2.1 PCANet算法的设计
4.2.2 PCANet算法的训练
4.3 Adaboost和PCANet的融合训练
4.3.1 融合训练的目的
4.3.2 融合训练的方法
4.3.3 再次进行PCANet的训练和检测
4.3.4 Adaboost和PCANet的循环训练和检测
4.4 实验结果
4.4.1 使用一种方法的检测结果
4.4.2 融合训练的实验结果
4.5 自学习能力的实现
5.融合训练的程序模块设计
5.1 程序运行环境
5.2 程序整体框架
5.3 图像子窗口检测模块
5.4 特征融合更新模块
6.总结和展望
参考文献
附录
致谢
个人简历、在学期间发表的学术论文与研究成果