基于三维人脸建模的多视角人脸识别方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题研究背景和意义 | 第12-13页 |
| ·三维人脸识别与国内外研究现状 | 第13-15页 |
| ·三维人脸识别中尚待解决的主要问题 | 第15页 |
| ·论文框架与主要研究内容 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第2章 人脸检测 | 第17-30页 |
| ·本章综述 | 第17页 |
| ·人脸检测方法简介 | 第17-20页 |
| ·基于先验知识的人脸检测方法 | 第17-18页 |
| ·基于不变特征的人脸检测方法 | 第18-20页 |
| ·基于模板匹配的人脸检测方法 | 第20页 |
| ·基于表观的人脸检测方法 | 第20页 |
| ·基于ADABOOST的人脸检测算法简介 | 第20-25页 |
| ·Haar-like特征 | 第21-23页 |
| ·积分图 | 第23-25页 |
| ·基于ADABOOST算法的训练 | 第25-28页 |
| ·人脸检测效果 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于单张图像的三维人脸建模 | 第30-53页 |
| ·本章综述 | 第30页 |
| ·常规三维人脸建模方法 | 第30-32页 |
| ·CANDIDE-3 模型 | 第32页 |
| ·ASM人脸特征点定位 | 第32-35页 |
| ·形状和形状模型 | 第33页 |
| ·ASM算法 | 第33-35页 |
| ·ASM算法改进 | 第35-37页 |
| ·增加特征点数量 | 第36页 |
| ·训练时增加噪音 | 第36-37页 |
| ·减小对形状模型的限制 | 第37页 |
| ·使用堆叠模型 | 第37页 |
| ·基于改进的ASM算法的人脸特征点定位 | 第37-38页 |
| ·CANDIDE-3 中特征点与非特征点的定位 | 第38-39页 |
| ·求特征点的Z坐标 | 第38-39页 |
| ·求非特征点的三维坐标 | 第39页 |
| ·DMS样条函数 | 第39-45页 |
| ·计算机图形的表面 | 第40-41页 |
| ·DMS样条函数介绍 | 第41-42页 |
| ·二次DMS样条函数的估值 | 第42页 |
| ·二次DMS样条函数的元素 | 第42-43页 |
| ·二次DMS样条函数 | 第43页 |
| ·任意三角剖分的二次DMS平面 | 第43-44页 |
| ·正规化 | 第44-45页 |
| ·点云的自动生成 | 第45-48页 |
| ·三角剖分内的点云生成 | 第45-46页 |
| ·三角剖分边界上的点云生成 | 第46-48页 |
| ·CANDIDE-3 模型中点云自动生成 | 第48-51页 |
| ·多视角人脸图片的生成 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 基于深度神经网络的人脸识别方法 | 第53-68页 |
| ·本章综述 | 第53页 |
| ·经典人脸识别算法 | 第53-58页 |
| ·基于整体特征的人脸识别方法 | 第53-55页 |
| ·基于局部特征的人脸识别方法 | 第55-58页 |
| ·深度神经网络简介 | 第58页 |
| ·SPARSE AUTOENCODER | 第58-60页 |
| ·以深度神经网络为架构的人脸识别方法 | 第60-62页 |
| ·网络训练方法 | 第61页 |
| ·人脸识别策略 | 第61-62页 |
| ·仿真实验 | 第62-67页 |
| ·实验数据以及参数准备 | 第63-64页 |
| ·实验结果 | 第64-67页 |
| ·本章小结 | 第67-68页 |
| 第5章 人脸识别系统的实现 | 第68-74页 |
| ·系统的软硬件环境 | 第68页 |
| ·系统界面 | 第68页 |
| ·系统运行流程 | 第68-71页 |
| ·多视角人脸识别实验 | 第71-74页 |
| 第6章 总结与展望 | 第74-77页 |
| ·本文工作总结 | 第74-75页 |
| ·研究展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 附录 | 第83页 |
