基于计算机视觉的头部姿态检测方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 引言 | 第10页 |
| 1.2 本文研究背景 | 第10-16页 |
| 1.2.1 头部姿态随动系统 | 第10-12页 |
| 1.2.2 头部姿态检测的应用 | 第12-14页 |
| 1.2.3 头部姿态检测的难点 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-19页 |
| 1.4 本文的研究内容 | 第19-21页 |
| 1.5 章节安排 | 第21-23页 |
| 第二章 基于级联卷积神经网络的人脸检测方法 | 第23-40页 |
| 2.1 理论基础 | 第23-29页 |
| 2.1.1 卷积神经网络理论基础 | 第23-28页 |
| 2.1.2 卷积神经网络与人脸检测 | 第28-29页 |
| 2.2 人脸检测算法整体架构 | 第29-33页 |
| 2.2.1 第一个卷积神经网络结构 | 第29-31页 |
| 2.2.2 第二个卷积神经网络结构 | 第31-33页 |
| 2.2.3 级联卷积神经网络损失函数 | 第33页 |
| 2.3 级联卷积神经网络的训练 | 第33-35页 |
| 2.3.1 级联卷积神经网络训练数据的准备 | 第33-34页 |
| 2.3.2 级联卷积神经网络训练过程 | 第34-35页 |
| 2.4 人脸检测实验 | 第35-39页 |
| 2.4.1 人脸检测实验方案 | 第35-36页 |
| 2.4.2 人脸检测实验结果分析 | 第36-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 视频序列中人脸跟踪方法 | 第40-54页 |
| 3.1 理论基础 | 第40-41页 |
| 3.2 基于相关滤波的人脸跟踪算法原理 | 第41-48页 |
| 3.2.1 线性回归及循环矩阵相关性质 | 第41-44页 |
| 3.2.2 非线性回归的核相关滤波器 | 第44-45页 |
| 3.2.3 快速检测与核相关性的快速计算 | 第45-46页 |
| 3.2.4 多特征通道融合 | 第46-48页 |
| 3.3 人脸跟踪算法实现 | 第48-53页 |
| 3.3.1 人脸跟踪算法流程 | 第48-49页 |
| 3.3.2 人脸跟踪实验配置 | 第49-50页 |
| 3.3.3 人脸跟踪实验结果分析 | 第50-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 特征点定位及头部姿态解算方法 | 第54-65页 |
| 4.1 理论基础 | 第54-55页 |
| 4.2 基于CLM的特征点定位方法 | 第55-58页 |
| 4.2.1 点分布模型构建 | 第55-57页 |
| 4.2.2 人脸局部模型构建 | 第57页 |
| 4.2.3 CLM的拟合优化方法 | 第57-58页 |
| 4.3 基于PNP的头部姿态解算方法 | 第58-62页 |
| 4.3.1 世界坐标系、图像坐标系和相机坐标系 | 第59-61页 |
| 4.3.2 透视投影成像原理 | 第61-62页 |
| 4.4 头部姿态解算算法实现 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 头部姿态检测系统及测试 | 第65-78页 |
| 5.1 基于头部姿态检测的头部随动人机交互系统 | 第65-68页 |
| 5.1.1 硬件系统结构 | 第65-67页 |
| 5.1.2 软件界面设计 | 第67-68页 |
| 5.2 头部姿态检测实验方案 | 第68-69页 |
| 5.3 头部姿态检测实验结果分析 | 第69-77页 |
| 5.3.1 离散数据库实验结果 | 第69-71页 |
| 5.3.2 连续数据库实验结果 | 第71-73页 |
| 5.3.3 头部姿态检测系统效率测试分析 | 第73页 |
| 5.3.4 头部姿态检测系统稳定性测试分析 | 第73-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 结论与展望 | 第78-80页 |
| 6.1 全文总结 | 第78-79页 |
| 6.2 论文展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士学位期间取得的成果 | 第86页 |
