| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究的背景 | 第10页 |
| 1.2 研究的意义 | 第10-11页 |
| 1.3 相关算法及研究现状 | 第11-19页 |
| 1.3.1 人脸检测的方法 | 第11-15页 |
| 1.3.2 人脸特征点提取的方法 | 第15-17页 |
| 1.3.3 人脸特征的应用场景 | 第17-19页 |
| 1.4 论文结构 | 第19-20页 |
| 第二章 人脸检测和特征点提取的基本理论 | 第20-36页 |
| 2.1 引言 | 第20-21页 |
| 2.2 经典AdaBoost人脸检测算法 | 第21-26页 |
| 2.2.1 Haar-like特征和积分图 | 第22-24页 |
| 2.2.2 基于AdaBoost的分类器训练 | 第24-25页 |
| 2.2.3 级联分层结构 | 第25-26页 |
| 2.3 基于回归树的人脸特征提取算法 | 第26-34页 |
| 2.3.1 人脸特征点 | 第28-29页 |
| 2.3.2 基于梯度下降的回归算法 | 第29-31页 |
| 2.3.3 回归分类树的构建 | 第31-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 基于模板匹配的改进型AdaBoost算法 | 第36-46页 |
| 3.1 引言 | 第36页 |
| 3.2 改进的AdaBoost人脸检测算法 | 第36-45页 |
| 3.2.1 基于视频信息的自适应感兴趣区域技术 | 第38-41页 |
| 3.2.2 基于改进的模板匹配算法的人脸区域定位 | 第41-43页 |
| 3.2.3 解决错匹配的纠正因子 | 第43-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第四章 基于改进Otsu算法和多区域模型的虚拟眼镜试戴 | 第46-57页 |
| 4.1 引言 | 第46-47页 |
| 4.2 基于多区域模型的眼镜位置定位 | 第47-50页 |
| 4.2.1 多区域特征点检测 | 第47-48页 |
| 4.2.2 基于多区域模型的眼镜位置定位 | 第48-50页 |
| 4.3 基于改进OTSU的眼镜图像编辑技术 | 第50-55页 |
| 4.3.1 眼镜图像的提取 | 第50-51页 |
| 4.3.2 基于改进Otsu的二值化算法 | 第51-53页 |
| 4.3.3 边缘处理 | 第53-55页 |
| 4.3.4 图像合成 | 第55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 实验结果及分析 | 第57-68页 |
| 5.1 引言 | 第57页 |
| 5.2 基于模板匹配的改进型AdaBoost实验结果 | 第57-61页 |
| 5.2.1 人脸检测的时间复杂度 | 第57-59页 |
| 5.2.2 姿态变化下的人脸检测 | 第59页 |
| 5.2.3 遮挡情况下的人脸检测 | 第59-61页 |
| 5.3 基于改进Otsu算法和多区域模型的虚拟眼镜试戴实验 | 第61-66页 |
| 5.3.1 眼镜试戴效果实验及分析 | 第61-63页 |
| 5.3.2 眼镜试戴时间复杂度分析 | 第63-65页 |
| 5.3.3 改进型Otsu算法对比实验及分析 | 第65-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
