| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 缩略词清单 | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状与分析 | 第11-15页 |
| 1.2.1 2D标记和图像追踪 | 第11-12页 |
| 1.2.2 3D物体和环境追踪 | 第12-13页 |
| 1.2.3 GPS追踪 | 第13页 |
| 1.2.4 人脸检测 | 第13-14页 |
| 1.2.5 可穿戴设备 | 第14-15页 |
| 1.3 研究目标与内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 系统概述 | 第17-28页 |
| 2.1 系统平台 | 第17-20页 |
| 2.1.1 智能平台选型 | 第17-18页 |
| 2.1.2 Android系统架构 | 第18-20页 |
| 2.2 相关技术 | 第20-24页 |
| 2.2.1 JNI | 第20-21页 |
| 2.2.2 OpenCV | 第21-22页 |
| 2.2.3 OpenGL ES | 第22-24页 |
| 2.3 系统架构 | 第24-27页 |
| 2.3.1 架构设计 | 第24-25页 |
| 2.3.2 模块设计 | 第25-26页 |
| 2.3.3 流程设计 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 人脸检测 | 第28-41页 |
| 3.1 人脸检测技术 | 第28-30页 |
| 3.1.1 基于知识的方法 | 第28-29页 |
| 3.1.2 基于特征不变的方法 | 第29页 |
| 3.1.3 基于模板匹配的方法 | 第29页 |
| 3.1.4 基于统计理论的方法 | 第29-30页 |
| 3.2 基于Adaboost算法的人脸检测方法 | 第30-35页 |
| 3.2.1 Haar-like特征 | 第31-32页 |
| 3.2.2 积分图 | 第32-33页 |
| 3.2.3 Adaboost分类器 | 第33-35页 |
| 3.2.4 强分类器级联 | 第35页 |
| 3.3 Android平台上人脸检测实验与结果分析 | 第35-40页 |
| 3.3.1 人脸图像预处理 | 第35-37页 |
| 3.3.2 人脸检测实验 | 第37-38页 |
| 3.3.3 结果分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 人脸跟踪 | 第41-53页 |
| 4.1 目标跟踪技术 | 第41-43页 |
| 4.1.1 点跟踪 | 第41-42页 |
| 4.1.2 核跟踪 | 第42-43页 |
| 4.1.3 轮廓跟踪 | 第43页 |
| 4.2 基于MeanShift的对象跟踪方法 | 第43-48页 |
| 4.2.1 MeanShift对象跟踪 | 第44-46页 |
| 4.2.2 CamShift人脸跟踪 | 第46-48页 |
| 4.3 Android平台上人脸跟踪实验与结果分析 | 第48-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于人脸的实时增强现实系统 | 第53-70页 |
| 5.1 开发环境 | 第53-55页 |
| 5.1.1 开发平台 | 第53页 |
| 5.1.2 开发环境搭建 | 第53-54页 |
| 5.1.3 工程目录结构 | 第54-55页 |
| 5.2 三维模型创建 | 第55-60页 |
| 5.2.1 3Dmax建模 | 第55-56页 |
| 5.2.2 三维图形绘制 | 第56-59页 |
| 5.2.3 绘制结果 | 第59-60页 |
| 5.3 人脸检测与跟踪 | 第60-63页 |
| 5.3.1 视频捕获 | 第60页 |
| 5.3.2 人脸检测 | 第60-62页 |
| 5.3.3 人脸跟踪 | 第62-63页 |
| 5.4 三维模型加载 | 第63-68页 |
| 5.4.1 图层整合 | 第63-64页 |
| 5.4.2 人脸目标信息获取 | 第64-65页 |
| 5.4.3 三维模型实时加载 | 第65-68页 |
| 5.5 系统结果分析 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-75页 |