基于LPP的视频图像头部姿态估计的方法研究
| 论文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题研究的背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·基于表观模板方法 | 第11页 |
| ·基于检测器阵列方法 | 第11页 |
| ·基于非线性回归方法 | 第11-12页 |
| ·基于视频帧跟踪方法 | 第12页 |
| ·基于流形学习方法 | 第12-14页 |
| ·头部姿态估计面临的挑战 | 第14-15页 |
| ·论文主要工作与结构 | 第15-17页 |
| ·论文的主要工作 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 头部姿态相关技术简介 | 第17-30页 |
| ·线性流形学习方法 | 第17页 |
| ·局部保持投影 | 第17-20页 |
| ·LPP 基本原理 | 第17页 |
| ·LPP 算法内容 | 第17-20页 |
| ·局部嵌入分析 | 第20-22页 |
| ·LEA 基本原理 | 第20页 |
| ·LEA 算法内容 | 第20-22页 |
| ·支持向量机 | 第22-29页 |
| ·支持向量机的基本理论 | 第22-25页 |
| ·支持向量机分类 | 第25-27页 |
| ·支持向量机的多类分类算法 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 图像头部姿态估计 | 第30-44页 |
| ·改进的LPP 算法 | 第30-33页 |
| ·计算样本间距离 | 第30-31页 |
| ·计算样本相似度 | 第31-33页 |
| ·头部姿态估计实验 | 第33-43页 |
| ·头部姿态数据库简介 | 第33-34页 |
| ·LPP 改进前后比较 | 第34-39页 |
| ·LEA 与改进LPP 比较 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 视频图像头部姿态估计 | 第44-56页 |
| ·视频头部姿态跟踪 | 第45-50页 |
| ·头部跟踪中Mean Shift | 第45-48页 |
| ·头部跟踪中粒子滤波算法 | 第48-49页 |
| ·结合两种算法 | 第49-50页 |
| ·视频图像头部姿态估计 | 第50-55页 |
| ·多类SVM 分类器构造 | 第50页 |
| ·实验结果及其分析 | 第50-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·本文工作总结 | 第56-57页 |
| ·本文工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读研究生期间发表的论文 | 第63-64页 |
| 致谢 | 第64页 |
