多模式3D人脸识别系统设计与实现
| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 传统人脸识别的发展 | 第12-14页 |
| 1.2.2 传统人脸识别的缺点 | 第14页 |
| 1.3 3D人脸识别 | 第14-17页 |
| 1.3.1 3D人脸识别的特点 | 第15页 |
| 1.3.2 3D人脸数据库 | 第15-17页 |
| 1.3.3 3D人脸识别的不足 | 第17页 |
| 1.4 论文结构 | 第17-19页 |
| 第2章 人脸数据的预处理 | 第19-35页 |
| 2.1 人脸数据的存储结构 | 第19页 |
| 2.2 网格删减 | 第19-23页 |
| 2.2.1 网格删减的研究 | 第19-22页 |
| 2.2.2 本文选用的方法 | 第22-23页 |
| 2.3 网格平滑化 | 第23-24页 |
| 2.4 姿态校正 | 第24-30页 |
| 2.4.1 通过曲率过滤 | 第25-26页 |
| 2.4.2 通过凹凸值过滤 | 第26-27页 |
| 2.4.3 通过向量机过滤 | 第27-28页 |
| 2.4.4 通过统计规律剔除 | 第28-29页 |
| 2.4.5 姿态校正 | 第29-30页 |
| 2.5 用于鼻尖检测的支撑向量机 | 第30-33页 |
| 2.5.1 核函数选择的规律 | 第31页 |
| 2.5.2 支撑向量机原理 | 第31-32页 |
| 2.5.3 计算考虑和维数灾难 | 第32-33页 |
| 2.6 无关区域剔除 | 第33-35页 |
| 第3章 多种模式下的人脸局部曲线特征 | 第35-49页 |
| 3.1 多模式人脸 | 第35-37页 |
| 3.1.1 深度图像 | 第35-36页 |
| 3.1.2 曲率图像 | 第36页 |
| 3.1.3 测地图像 | 第36-37页 |
| 3.2 局部曲线特征 | 第37页 |
| 3.3 SURF的原理 | 第37-39页 |
| 3.4 使用RANSAC进行图像匹配 | 第39-42页 |
| 3.5 构造特征曲线 | 第42-43页 |
| 3.6 使用熵定理确定特征曲线的权值 | 第43-46页 |
| 3.6.1 信息熵的基本特性 | 第44-45页 |
| 3.6.2 应用熵理论求出曲线的权值 | 第45-46页 |
| 3.7 使用神经网络学习 | 第46-49页 |
| 3.7.1 神经元网络中的单元 | 第47页 |
| 3.7.2 网络结构 | 第47-48页 |
| 3.7.3 感知器 | 第48-49页 |
| 第4章 对比实验设计 | 第49-53页 |
| 4.1 实验方法 | 第49-51页 |
| 4.2 系统的不足之处 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |
