基于视频的人脸检测与识别算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要贡献与创新 | 第13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 图像预处理 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 直方图均衡 | 第15-17页 |
| 2.2.1 数学模型 | 第15-17页 |
| 2.3 基于彩色空间转换的直方图均衡 | 第17-20页 |
| 2.3.1 算法模型 | 第17页 |
| 2.3.2 彩色空间转换算法 | 第17-19页 |
| 2.3.3 实验结果 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于像素差异特征的人脸检测方法 | 第21-34页 |
| 3.1 引言 | 第21-22页 |
| 3.2 基于PICO特征的人脸检测算法 | 第22-26页 |
| 3.2.1 AdaBoost分类器 | 第22-23页 |
| 3.2.2 PICO特征 | 第23-24页 |
| 3.2.3 算法流程 | 第24-26页 |
| 3.3 基于像素差异特征的人脸检测方法 | 第26-33页 |
| 3.3.1 视觉对比灵敏度和韦伯比 | 第26-27页 |
| 3.3.2 特征空间 | 第27-29页 |
| 3.3.3 决策二叉树分类准则 | 第29-30页 |
| 3.3.4 实验结果分析 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于集成回归树的关键特征点检测 | 第34-44页 |
| 4.1 引言 | 第34页 |
| 4.2 人脸关键特征点检测概述 | 第34-38页 |
| 4.2.1 人脸关键特征点应用场景 | 第34-36页 |
| 4.2.2 人脸关键特征点检测算法 | 第36-38页 |
| 4.3 基于集成回归树的关键特征点检测 | 第38-42页 |
| 4.3.1 回归树 | 第38-40页 |
| 4.3.2 Gradient Boosting | 第40-41页 |
| 4.3.3 集成回归检测器 | 第41-42页 |
| 4.4 实验结果分析 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于深度学习的人脸识别方法 | 第44-68页 |
| 5.1 引言 | 第44页 |
| 5.2 深度学习概述 | 第44-52页 |
| 5.2.1 深度学习基础概念 | 第44-45页 |
| 5.2.2 神经网络 | 第45-46页 |
| 5.2.3 卷积神经网络 | 第46-52页 |
| 5.3 基于深度学习的人脸识别方法 | 第52-62页 |
| 5.3.1 Deep ID网络模型概述 | 第52-55页 |
| 5.3.2 交叉熵 | 第55-58页 |
| 5.3.3 改进的卷积神经网络人脸识别方法 | 第58-62页 |
| 5.4 实验结果 | 第62-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
