| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 人脸器官特征点定位算法的海内外研究历史与现状 | 第11-13页 |
| 1.2.1 基于显式形状的方法 | 第11页 |
| 1.2.2 基于隐式形状的方法 | 第11-12页 |
| 1.2.3 常见的商业模型与软件 | 第12-13页 |
| 1.3 自然环境下的人脸器官特征点定位 | 第13-14页 |
| 1.4 本文的主要工作与创新 | 第14-15页 |
| 1.4.1 提出CNN-LBF特征点定位方法 | 第14-15页 |
| 1.4.2 提出基于精确人脸框检测的特征点定位方法 | 第15页 |
| 1.4.3 引入回归迭代自适应机制 | 第15页 |
| 1.4.4 线性回归中正则项的讨论 | 第15页 |
| 1.5 论文的结构安排 | 第15-17页 |
| 第二章 相关技术概述 | 第17-34页 |
| 2.1 基于级联形状回归的人脸特征点定位算法 | 第17-25页 |
| 2.1.1 局部特征描述子 | 第17-20页 |
| 2.1.1.1 像素灰度值 | 第17-19页 |
| 2.1.1.2 局部二值模式 | 第19-20页 |
| 2.1.2 特征学习 | 第20-24页 |
| 2.1.2.1 随机森林基本原理 | 第21页 |
| 2.1.2.2 决策树 | 第21-23页 |
| 2.1.2.3 随机森林的优缺点 | 第23-24页 |
| 2.1.3 基于局部二值特征的人脸特征点定位方法 | 第24-25页 |
| 2.1.3.1 局部二值特征的提取 | 第24-25页 |
| 2.1.3.2 全局线性回归 | 第25页 |
| 2.2 基于CNN的人脸特征点定位算法 | 第25-33页 |
| 2.2.1 卷积神经网络概述 | 第26-27页 |
| 2.2.2 卷积神经网络结构 | 第27-31页 |
| 2.2.2.1 输入输出层 | 第27页 |
| 2.2.2.2 卷积层 | 第27-29页 |
| 2.2.2.3 池化层 | 第29页 |
| 2.2.2.4 局部感受野与权值共享 | 第29-31页 |
| 2.2.3 基于级联CNN的人脸特征点定位方法 | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于CNN-LBF的人脸特征点定位方法 | 第34-46页 |
| 3.1 基于CNN-LBF的人脸特征点定位模型 | 第34-35页 |
| 3.2 实验数据集 | 第35-37页 |
| 3.3 实验结果 | 第37-42页 |
| 3.3.1 初始形状对回归结果的影响 | 第38-40页 |
| 3.3.2 与其他常见方法的对比 | 第40-42页 |
| 3.3.3 算法效率比较 | 第42页 |
| 3.4 算法敏感性分析 | 第42-45页 |
| 3.4.1 人脸区域中心变化 | 第42-44页 |
| 3.4.2 人脸区域大小变化 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于精确人脸框和迭代自适应的人脸特征点定位方法 | 第46-61页 |
| 4.1 基于精确人脸定位的特征点定位方法 | 第46-52页 |
| 4.1.1 人脸检测层 | 第46-49页 |
| 4.1.1.1 常用的人脸检测方法 | 第46-47页 |
| 4.1.1.2 精确人脸轮廓框检测模块 | 第47-49页 |
| 4.1.2 基于精确人脸检测的特征点定位方法 | 第49-50页 |
| 4.1.3 实验结果 | 第50-52页 |
| 4.2 迭代自适应的特征点定位方法 | 第52-60页 |
| 4.2.1 镜像误差 | 第53-56页 |
| 4.2.2 迭代自适应的特征点定位方法 | 第56-57页 |
| 4.2.3 最优选择机制 | 第57-58页 |
| 4.2.4 实验结果 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 第五章 全局回归中正则化函数的讨论 | 第61-72页 |
| 5.1 范数 | 第61-62页 |
| 5.2 信号的稀疏表示 | 第62-63页 |
| 5.3 正则化 | 第63-65页 |
| 5.3.1 L0范数正则子 | 第64页 |
| 5.3.2 L1范数正则子 | 第64页 |
| 5.3.3 L2范数正则子 | 第64-65页 |
| 5.4 基于不同正则化函数的回归方法 | 第65-68页 |
| 5.4.1 Ridge回归 | 第65-66页 |
| 5.4.2 Lasso回归 | 第66-67页 |
| 5.4.3 Elastic Net回归 | 第67-68页 |
| 5.5 实验结果 | 第68-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72页 |
| 6.2 后续工作展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
