| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 引言 | 第14-16页 |
| 1.2 特征定位 | 第16-17页 |
| 1.3 表示学习 | 第17-20页 |
| 1.3.1 有监督的表示学习：属性表示 | 第17-19页 |
| 1.3.2 无监督的表示学习：聚类表示 | 第19-20页 |
| 1.4 人脸验证器设计 | 第20-21页 |
| 1.5 本文的主要研究工作和组织结构 | 第21-24页 |
| 第二章 人眼定位 | 第24-48页 |
| 2.1 引言 | 第24页 |
| 2.2 人眼定位的主要挑战 | 第24-25页 |
| 2.3 人眼定位的主要思路 | 第25-36页 |
| 2.3.1 人眼特性评估 | 第26-29页 |
| 2.3.1.1 形状特性 | 第26-27页 |
| 2.3.1.2 灰度对比度特性 | 第27-28页 |
| 2.3.1.3 人眼上下文特性 | 第28页 |
| 2.3.1.4 近红外光源成像特性 | 第28页 |
| 2.3.1.5 讨论 | 第28-29页 |
| 2.3.2 统计外观模型学习 | 第29-34页 |
| 2.3.2.1 外观特征表示和提取 | 第29-31页 |
| 2.3.2.2 统计外观模型 | 第31-34页 |
| 2.3.2.3 讨论 | 第34页 |
| 2.3.3 利用结构信息 | 第34-36页 |
| 2.3.4 讨论 | 第36页 |
| 2.4 鲁棒人眼定位系统的构建 | 第36-41页 |
| 2.4.1 完整的人眼定位系统架构 | 第36-37页 |
| 2.4.2 预处理方法 | 第37-39页 |
| 2.4.3 权衡精度和效率 | 第39-40页 |
| 2.4.4 后处理 | 第40-41页 |
| 2.5 性能评估 | 第41-44页 |
| 2.5.1 度量指标 | 第41-43页 |
| 2.5.2 数据集和性能评估 | 第43-44页 |
| 2.6 本章小结 | 第44-48页 |
| 第三章 人眼状态识别 | 第48-68页 |
| 3.1 引言 | 第48页 |
| 3.2 人眼状态识别的研究背景 | 第48-50页 |
| 3.3 人眼对象的低层特征表示 | 第50-54页 |
| 3.3.1 人眼图像块的对齐 | 第50-51页 |
| 3.3.2 特征提取技术 | 第51-54页 |
| 3.3.2.1 局部形状特征描述子 | 第51-53页 |
| 3.3.2.2 局部纹理描述子 | 第53页 |
| 3.3.2.3 全局形状描述子 | 第53-54页 |
| 3.4 实验和分析 | 第54-66页 |
| 3.4.1 数据集和实验设置 | 第54-56页 |
| 3.4.2 分类模型设置 | 第56-57页 |
| 3.4.3 不同特征集上的性能比较 | 第57-60页 |
| 3.4.4 融合多种特征集 | 第60-62页 |
| 3.4.5 HPOG对高斯噪声的鲁棒性 | 第62页 |
| 3.4.6 多尺度HOG与HPOG对尺度变化的鲁棒性 | 第62-64页 |
| 3.4.7 人眼块对齐的重要性 | 第64页 |
| 3.4.8 运行时间评估 | 第64-65页 |
| 3.4.9 算法比较 | 第65-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 有监督表示学习——属性学习和利用 | 第68-90页 |
| 4.1 引言 | 第68-69页 |
| 4.2 属性学习的研究现状 | 第69-72页 |
| 4.2.1 属性表示 | 第69-71页 |
| 4.2.2 属性提取 | 第71页 |
| 4.2.3 属性利用 | 第71-72页 |
| 4.3 属性关系图的学习和利用 | 第72-78页 |
| 4.3.1 属性关系图的建立 | 第73-74页 |
| 4.3.2 属性关系图的利用 | 第74-76页 |
| 4.3.3 扩展到连续属性 | 第76-78页 |
| 4.4 实验和分析 | 第78-87页 |
| 4.4.1 数据集介绍 | 第78页 |
| 4.4.2 实验设置 | 第78-79页 |
| 4.4.3 实验结果 | 第79-87页 |
| 4.4.3.1 人工数据 | 第79-80页 |
| 4.4.3.2 人脸验证结果 | 第80-84页 |
| 4.4.3.3 物体识别结果 | 第84-86页 |
| 4.4.3.4 在连续属性上的性能 | 第86-87页 |
| 4.5 本章小结 | 第87-90页 |
| 第五章 无监督的表示学习——聚类表示和利用 | 第90-106页 |
| 5.1 引言 | 第90-92页 |
| 5.2 从互联网数据来学习人脸表示 | 第92-96页 |
| 5.2.1 方法总览 | 第92-93页 |
| 5.2.2 参照集 | 第93-94页 |
| 5.2.3 人脸对齐 | 第94-95页 |
| 5.2.4 映射到人脸表示空间 | 第95-96页 |
| 5.3 One Shot Exemplar-SVM | 第96-98页 |
| 5.3.1 学习Exemplar-SVM分类器 | 第97-98页 |
| 5.3.2 学习一个先知(Oracle) | 第98页 |
| 5.3.3 利用先知进行人脸验证 | 第98页 |
| 5.4 实验结果 | 第98-104页 |
| 5.4.1 无监督表示学习的有效性 | 第99-100页 |
| 5.4.2 One-Shot Exemplar-SVM人脸验证算法的有效性 | 第100-102页 |
| 5.4.3 与当前流行的人脸验证算法的性能比较 | 第102-104页 |
| 5.5 总结 | 第104-106页 |
| 第六章 结束语 | 第106-110页 |
| 6.1 本文工作总结 | 第106-107页 |
| 6.2 进一步研究工作 | 第107-110页 |
| 参考文献 | 第110-130页 |
| 致谢 | 第130-132页 |
| 在学期间的研究成果及发表的学术论文 | 第132-134页 |
| 攻读博士学位期间发表(录用)论文情况 | 第132页 |
| 攻读博士学位期间参加的科研项目 | 第132-133页 |
| 授权专利 | 第133-134页 |
| 附录A 论文中所用图像数据库介绍 | 第134-139页 |
