| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 论文研究的背景及意义 | 第8-9页 |
| 1.2 人脸跟踪技术的国内外现状 | 第9-10页 |
| 1.3 目标跟踪方法概述 | 第10-12页 |
| 1.4 人脸跟踪技术的难点 | 第12页 |
| 1.5 本文研究内容与结构 | 第12-16页 |
| 第二章 粒子滤波算法的基本原理 | 第16-24页 |
| 2.1 贝叶斯递推滤波 | 第16-17页 |
| 2.2 蒙特卡罗方法 | 第17-18页 |
| 2.3 序贯重要性采样 | 第18-19页 |
| 2.4 重要性密度函数的选择 | 第19-20页 |
| 2.5 重采样技术 | 第20页 |
| 2.6 粒子滤波算法基本流程 | 第20-22页 |
| 2.7 粒子滤波算法的不足 | 第22-23页 |
| 2.8 本章总结 | 第23-24页 |
| 第三章 改进的粒子滤波算法 | 第24-36页 |
| 3.1 基于重要性密度函数的改进 | 第24-28页 |
| 3.1.1 无迹粒子滤波(UPF) | 第24页 |
| 3.1.2 高斯-厄米特粒子滤波(GHPF) | 第24-26页 |
| 3.1.3 实验分析 | 第26-28页 |
| 3.2 基于重采样的改进 | 第28-33页 |
| 3.2.1 粒子群优化(PSO)粒子滤波 | 第28-29页 |
| 3.2.1.1 PSO算法基本原理 | 第28页 |
| 3.2.1.2 粒子群优化粒子滤波(PSO-PF)的主要思想 | 第28-29页 |
| 3.2.2 遗传粒子滤波算法 | 第29-32页 |
| 3.2.2.1 遗传算法(GA)基本原理 | 第29-31页 |
| 3.2.2.2 遗传重采样粒子滤波(GRPF) | 第31-32页 |
| 3.2.3 仿真实验分析 | 第32-33页 |
| 3.3 基于高斯-厄米特的遗传粒子滤波算法 | 第33-34页 |
| 3.4 本章总结 | 第34-36页 |
| 第四章 基于改进粒子滤波的多特征人脸跟踪 | 第36-58页 |
| 4.1 光线补偿 | 第36-37页 |
| 4.2 人脸观测模型 | 第37-45页 |
| 4.2.1 颜色直方图模型 | 第37-40页 |
| 4.2.1.1 颜色空间模型的选择 | 第37-39页 |
| 4.2.1.2 颜色特征描述 | 第39-40页 |
| 4.2.1.3 颜色似然函数 | 第40页 |
| 4.2.2 边缘方向直方图模型 | 第40-42页 |
| 4.2.2.1 边缘特征描述 | 第40-42页 |
| 4.2.2.2 边缘方向似然函数 | 第42页 |
| 4.2.3 图像的积分直方图 | 第42-44页 |
| 4.2.3.1 积分图的概念 | 第42-43页 |
| 4.2.3.2 积分直方图和普通直方图的比较 | 第43-44页 |
| 4.2.4 多特征自适应融合策略 | 第44-45页 |
| 4.3 人脸动态模型的建立 | 第45-46页 |
| 4.4 人脸模板的更新 | 第46页 |
| 4.5 本文算法流程 | 第46-49页 |
| 4.6 实验结果与分析 | 第49-56页 |
| 4.7 本章总结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文主要工作总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士期间发表的学术论文 | 第64-66页 |
| 攻读硕士期间参与项目与课题 | 第66-68页 |
| 致谢 | 第68-69页 |