基于人脸图像的年龄估计算法的性能增强研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 研究困难与挑战 | 第11页 |
| 1.3 研究现状 | 第11-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第二章 人脸年龄估计研究基础知识简介 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 人脸年龄估计的流程 | 第16-17页 |
| 2.3 人脸年龄特征提取 | 第17-20页 |
| 2.3.1 AAM特征 | 第17-19页 |
| 2.3.2 BIF特征 | 第19-20页 |
| 2.4 人脸特征降维 | 第20-21页 |
| 2.5 人脸的年龄估计算法 | 第21-23页 |
| 2.5.1 分类方法 | 第21-22页 |
| 2.5.2 回归方法 | 第22-23页 |
| 2.5.3 融合方法 | 第23页 |
| 2.6 人脸年龄估计的常用数据 | 第23-26页 |
| 2.6.1 FG-NET数据库 | 第23-25页 |
| 2.6.2 MORPH数据库 | 第25-26页 |
| 2.7 人脸年龄估计的评价标准 | 第26-27页 |
| 2.8 本章小结 | 第27-28页 |
| 第三章 基于ELM的人脸年龄估计 | 第28-36页 |
| 3.1 引言 | 第28-30页 |
| 3.1.1 极限学习机 | 第28-29页 |
| 3.1.2 集成学习 | 第29-30页 |
| 3.2 实验流程 | 第30-33页 |
| 3.2.1 基于ELM的弱估计器 | 第30-32页 |
| 3.2.2 基于训练样本分布的加权模型 | 第32-33页 |
| 3.3 实验设置和结果分析 | 第33-35页 |
| 3.3.1 实验数据和设置 | 第33-34页 |
| 3.3.2 实验结果分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于LDSVR的人脸年龄估计 | 第36-42页 |
| 4.1 引言 | 第36-37页 |
| 4.1.1 基于标签分布的回归模型 | 第36-37页 |
| 4.2 实验流程 | 第37-40页 |
| 4.2.1 基于标签分布的支持向量回归模型 | 第38-39页 |
| 4.2.2 基于LDSVR的剪辑模型 | 第39-40页 |
| 4.3 实验结果 | 第40-41页 |
| 4.3.1 实验数据和评价指标 | 第40页 |
| 4.3.2 实验对比方法和设置 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 总结与展望 | 第42-44页 |
| 5.1 本文的主要工作及创新点 | 第42-43页 |
| 5.2 前景与展望 | 第43-44页 |
| 参考文献 | 第44-50页 |
| 致谢 | 第50-51页 |
| 攻读学位期间发表的学术论文 | 第51页 |
