大规模人脸库的快速检索算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究意义及背景 | 第10页 |
| 1.2 人脸识别研究现状 | 第10-12页 |
| 1.2.1 人脸识别技术简述 | 第10-11页 |
| 1.2.2 人脸识别技术的方法分类 | 第11-12页 |
| 1.3 基于大规模数据库的人脸识别研究现状 | 第12-14页 |
| 1.4 本文结构安排 | 第14-15页 |
| 第2章 图像预处理 | 第15-20页 |
| 2.1 人脸检测与定位 | 第15-16页 |
| 2.2 人脸图像归一化 | 第16-17页 |
| 2.3 人脸图像的光照处理 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 LBP算子 | 第20-27页 |
| 3.1 LBP算子的提出 | 第20页 |
| 3.2 LBP算子的计算方法 | 第20-23页 |
| 3.2.1 原始的LBP算子 | 第20-21页 |
| 3.2.2 扩展的LBP算子 | 第21-23页 |
| 3.2.3 特征直方图的统计 | 第23页 |
| 3.3 LBP算子的统一模式 | 第23-25页 |
| 3.4 LBP在人脸识别中的应用 | 第25-26页 |
| 3.4.1 直方图的相似性度量 | 第25页 |
| 3.4.2 基于LBP的人脸识别框架 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第4章 大规模人脸数据库的聚类算法 | 第27-32页 |
| 4.1 K-means聚类算法 | 第27-28页 |
| 4.1.1 K-means的数学基础 | 第27-28页 |
| 4.1.2 传统K-means的基本步骤 | 第28页 |
| 4.1.3 传统K-means聚类算法的不足 | 第28页 |
| 4.2 改进的K-means聚类算法 | 第28-30页 |
| 4.3 聚类算法在人脸检索中的应用 | 第30-31页 |
| 4.4 本章小结 | 第31-32页 |
| 第5章 大规模人脸数据库的快速检索 | 第32-42页 |
| 5.1 基于局部LBP特征的分级加速的识别算法 | 第32-36页 |
| 5.1.1 人脸特征的提取及相似度度量 | 第32-33页 |
| 5.1.2 利用局部特征分级检索的算法 | 第33-35页 |
| 5.1.3 重排序 | 第35-36页 |
| 5.2 人脸检索系统的设计 | 第36-37页 |
| 5.2.1 人脸检索系统的结构 | 第36-37页 |
| 5.2.2 实验所用人脸库简介 | 第37页 |
| 5.3 实验结果 | 第37-41页 |
| 5.3.1 实验环境及参数 | 第37-38页 |
| 5.3.2 相似度阈值的计算结果 | 第38页 |
| 5.3.3 重排序效果演示 | 第38-39页 |
| 5.3.4 系统检索结果 | 第39-41页 |
| 5.4 本章小结 | 第41-42页 |
| 第6章 总结与展望 | 第42-44页 |
| 6.1 本文的工作总结 | 第42页 |
| 6.2 未来研究工作的展望 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48页 |
