视频中的人脸聚类系统的设计与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 论文目的 | 第11页 |
| 1.1.3 论文意义 | 第11-12页 |
| 1.2 国内外研究概况 | 第12-15页 |
| 1.2.1 视频内容分析研究概况 | 第12页 |
| 1.2.2 人脸技术研究概况 | 第12-15页 |
| 1.3 研究内容和论文组织结构 | 第15-17页 |
| 第二章 视频中的人脸跟踪算法设计 | 第17-30页 |
| 2.1 镜头边界检测 | 第17-20页 |
| 2.1.1 镜头边界检测的目的 | 第17页 |
| 2.1.2 镜头边界检测算法 | 第17-20页 |
| 2.2 VIOLA-JONES人脸检测算法 | 第20-26页 |
| 2.2.1 Haar特征和积分图 | 第20-22页 |
| 2.2.2 Adaboost算法 | 第22-24页 |
| 2.2.3 级联分类器 | 第24-26页 |
| 2.3 基于人脸检测的人脸跟踪算法 | 第26-28页 |
| 2.3.1 算法描述: | 第26-28页 |
| 2.3.2 人脸跟踪算法实验结果 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于图片集的人脸粗聚类 | 第30-44页 |
| 3.1 人脸图片特征提取 | 第30-33页 |
| 3.1.1 人脸特征种类 | 第30-31页 |
| 3.1.2 LBP特征 | 第31-33页 |
| 3.1.3 人脸图片集的中的特征提取 | 第33页 |
| 3.2 人脸图片集之间的距离度量 | 第33-39页 |
| 3.2.1 特征间的距离度量方法 | 第33-35页 |
| 3.2.2 基于图片集的距离度量 | 第35-37页 |
| 3.2.3 支持向量机基本原理 | 第37-39页 |
| 3.2.4 基于SVM的图片集之间的距离度量 | 第39页 |
| 3.3 人脸图片集之间的聚类 | 第39-43页 |
| 3.3.1 聚类算法的选择 | 第39-41页 |
| 3.3.2 基于层次聚类算法的图片集聚类 | 第41-42页 |
| 3.3.3 聚类评估实验 | 第42-43页 |
| 3.4 本章小节 | 第43-44页 |
| 第四章 基于深度学习的人脸图片集再聚类 | 第44-56页 |
| 4.1 深度学习与人脸识别 | 第44页 |
| 4.2 利用卷积神经网络进行人脸特征提取 | 第44-49页 |
| 4.2.1 卷积神经网络模型简介 | 第45-47页 |
| 4.2.2 人脸数据的收集与预处理 | 第47-48页 |
| 4.2.3 卷积神经网络的训练 | 第48-49页 |
| 4.2.4 从卷积神经网络中提取人脸特征 | 第49页 |
| 4.3 人脸验证判别算法 | 第49-52页 |
| 4.3.1 L2距离和SVM | 第49-50页 |
| 4.3.2 联合贝叶斯算法 | 第50-51页 |
| 4.3.3 人脸验证算法效果对比 | 第51-52页 |
| 4.4 基于人脸验证的图片集再聚类 | 第52-53页 |
| 4.5 系统实验结果 | 第53-54页 |
| 4.5.1 实验数据集与评价标准 | 第53页 |
| 4.5.2 系统整体效果实验结果 | 第53-54页 |
| 4.5.3 系统时间性能实验结果 | 第54页 |
| 4.6 本章小节 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
