基于卷积神经网络的单视图三维人脸重建技术研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究课题来源 | 第11页 |
| 1.2 课题研究背景与意义 | 第11-12页 |
| 1.3 相关技术国内外研究现状 | 第12-16页 |
| 1.3.1 人脸对齐技术 | 第12-13页 |
| 1.3.2 三维人脸重建技术 | 第13-16页 |
| 1.4 主要研究工作与组织结构 | 第16-19页 |
| 1.4.1 主要研究工作 | 第16-17页 |
| 1.4.2 论文组织结构 | 第17-19页 |
| 第2章 三维人脸重建中人脸对齐研究 | 第19-37页 |
| 2.1 大姿态人脸对齐 | 第19-23页 |
| 2.1.1 大姿态人脸对齐算法研究 | 第19-20页 |
| 2.1.2 3D和2D人脸形状 | 第20-22页 |
| 2.1.3 特征点匹配 | 第22-23页 |
| 2.2 训练样本扩充 | 第23-24页 |
| 2.2.1 常用方法 | 第23页 |
| 2.2.2 数据扩充 | 第23-24页 |
| 2.3 基于CNN的人脸对齐 | 第24-29页 |
| 2.3.1 网络结构 | 第24-26页 |
| 2.3.2 可视化层 | 第26-27页 |
| 2.3.3 损失函数 | 第27-29页 |
| 2.3.4 网络模型训练 | 第29页 |
| 2.4 实验与结果分析 | 第29-36页 |
| 2.4.1 实验数据集 | 第30-31页 |
| 2.4.2 实验设计 | 第31页 |
| 2.4.3 基于数据集的算法效果评估 | 第31-35页 |
| 2.4.4 不同损失函数的算法效果评估 | 第35页 |
| 2.4.5 网络结构效果评估 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于CNN的三维人脸重建 | 第37-56页 |
| 3.1 训练样本的获取 | 第37-40页 |
| 3.1.1 二维人脸数据获取 | 第38-39页 |
| 3.1.2 三维人脸数据获取 | 第39-40页 |
| 3.1.3 人脸数据预处理 | 第40页 |
| 3.2 基于形变模型的三维人脸重建 | 第40-45页 |
| 3.2.1 形变模型的建立 | 第41-42页 |
| 3.2.2 单图像的形变模型匹配 | 第42-44页 |
| 3.2.3 多图像的形变模型匹配 | 第44-45页 |
| 3.3 基于CNN的模型训练 | 第45-49页 |
| 3.3.1 卷积神经网络模型选择 | 第45-46页 |
| 3.3.2 损失函数 | 第46-47页 |
| 3.3.3 神经网络模型训练 | 第47-49页 |
| 3.4 实验与结果分析 | 第49-54页 |
| 3.4.1 实验设计 | 第49-50页 |
| 3.4.2 三维人脸重建效果 | 第50-52页 |
| 3.4.3 三维人脸重建精度 | 第52-54页 |
| 3.4.4 三维人脸重建速度 | 第54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 基于三维人脸重建的人脸识别 | 第56-65页 |
| 4.1 可变姿态下的人脸识别 | 第56-59页 |
| 4.1.1 人脸识别技术研究 | 第56-57页 |
| 4.1.2 可变姿态下的人脸识别技术研究 | 第57-59页 |
| 4.2 基于三维人脸模型的人脸识别 | 第59-60页 |
| 4.3 实验与结果分析 | 第60-64页 |
| 4.3.1 实验数据集 | 第60-61页 |
| 4.3.2 实验设计 | 第61-62页 |
| 4.3.3 人脸识别效果 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-68页 |
| 5.1 全文工作总结 | 第65-66页 |
| 5.2 下一步工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间的科研成果 | 第73页 |
