基于人脸图像的年龄估计方法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 研究背景和意义 | 第7-10页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 人脸图像库建立 | 第16-25页 |
| 2.1 获取驾驶证图像图片 | 第16-18页 |
| 2.2 人脸检测 | 第18-23页 |
| 2.2.1 类Harr基特征 | 第19-20页 |
| 2.2.2 Adaboost学习算法 | 第20-22页 |
| 2.2.3 多级分类器检测人脸 | 第22-23页 |
| 2.3 人脸图片的预处理 | 第23-24页 |
| 2.3.1 人脸图片灰度化 | 第23页 |
| 2.3.2 人脸图片尺度归一化 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 人脸图像的年龄特征提取 | 第25-41页 |
| 3.1 主动形状模型（ASM） | 第25-29页 |
| 3.1.1 ASM全局形状模型 | 第25-27页 |
| 3.1.2 ASM局部纹理模型 | 第27-28页 |
| 3.1.3 ASM搜索 | 第28-29页 |
| 3.2 人脸年龄几何比例特征 | 第29-35页 |
| 3.2.1 人脸测量模板 | 第30-32页 |
| 3.2.2 提取几何比例特征 | 第32-35页 |
| 3.3 人脸局部纹理特征提取 | 第35-39页 |
| 3.3.1 定位局部区域 | 第36-37页 |
| 3.3.2 图像分数阶微分 | 第37-39页 |
| 3.3.3 纹理特征计算 | 第39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 年龄估计模型 | 第41-49页 |
| 4.1 聚类分析方法 | 第41-44页 |
| 4.1.1 聚类分析的数学模型 | 第41-42页 |
| 4.1.2 聚类分析方法 | 第42-43页 |
| 4.1.3 K-均值聚类算法 | 第43-44页 |
| 4.2 训练年龄-特征映射矩阵 | 第44-46页 |
| 4.2.1 特征排列矩阵 | 第44-45页 |
| 4.2.2 训练映射矩阵 | 第45-46页 |
| 4.3 年龄估计 | 第46-48页 |
| 4.3.1 k最近邻分类思想 | 第46-47页 |
| 4.3.2 投票选举年龄值 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 实验结果与对比 | 第49-65页 |
| 5.1 人脸数据库 | 第49-51页 |
| 5.2 实验环境 | 第51-52页 |
| 5.3 实验过程与实验结果 | 第52-57页 |
| 5.4 对比实验 | 第57-64页 |
| 5.4.1 与国外人脸库实验对比 | 第57-59页 |
| 5.4.2 与自然人主观年龄估计对比 | 第59-64页 |
| 5.5 实验结果分析 | 第64页 |
| 5.6 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-66页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70页 |
