基于形状索引特征的人脸检测和识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 人脸识别简介 | 第11-12页 |
| 1.2 人脸识别算法流程 | 第12-14页 |
| 1.3 人脸识别的困难 | 第14-15页 |
| 1.4 主要工作和创新点 | 第15-17页 |
| 1.5 章节安排 | 第17-19页 |
| 第二章 相关工作 | 第19-35页 |
| 2.1 背景介绍：人脸检测和识别中的特征 | 第19-24页 |
| 2.1.1 像素灰度值特征 | 第19-20页 |
| 2.1.2 Haar特征 | 第20-22页 |
| 2.1.3 LBP特征 | 第22-23页 |
| 2.1.4 LE特征 | 第23-24页 |
| 2.2 处理脸部角度的变化 | 第24-29页 |
| 2.2.1 基于角度不变特征的人脸识别 | 第26页 |
| 2.2.2 基于弹性模型的人脸识别 | 第26-27页 |
| 2.2.3 基于重建正脸图像的人脸识别 | 第27-29页 |
| 2.3 处理光照和表情变化 | 第29-35页 |
| 2.3.1 去除光照 | 第29-30页 |
| 2.3.2 子空间学习 | 第30-32页 |
| 2.3.3 深度学习 | 第32-35页 |
| 第三章 形状索引特征 | 第35-45页 |
| 3.1 形状索引特征介绍 | 第35-39页 |
| 3.1.1 人脸基准点 | 第35-36页 |
| 3.1.2 消除全局变换 | 第36-38页 |
| 3.1.3 建立局部坐标系 | 第38-39页 |
| 3.2 形状索引特征的优势 | 第39-42页 |
| 3.2.1 精度优势 | 第40-41页 |
| 3.2.2 速度优势 | 第41-42页 |
| 3.3 实验验证 | 第42-45页 |
| 第四章 联合层叠模型 | 第45-59页 |
| 4.1 在人脸检测中使用形状索引特征 | 第46-47页 |
| 4.1.1 简单模型 | 第46-47页 |
| 4.1.2 简单模型的缺点 | 第47页 |
| 4.2 联合层叠模型介绍 | 第47-52页 |
| 4.2.1 算法流程 | 第47-49页 |
| 4.2.2 分类回归树 | 第49-52页 |
| 4.2.3 后续分类器 | 第52页 |
| 4.3 实验验证 | 第52-59页 |
| 4.3.1 和普通层叠模型的比较 | 第53-54页 |
| 4.3.2 在FDDB数据库上的结果 | 第54-55页 |
| 4.3.3 在AFW数据库上的结果 | 第55-56页 |
| 4.3.4 在CMU-MIT数据库上的结果 | 第56页 |
| 4.3.5 在MALF数据库上的结果 | 第56-57页 |
| 4.3.6 运行的时间和内存开销 | 第57-58页 |
| 4.3.7 人脸检测和校准的结果展示 | 第58-59页 |
| 第五章 基于形状索引的高维特征及其运用 | 第59-81页 |
| 5.1 基于形状索引特征的高纬特征 | 第60-62页 |
| 5.1.1 如何构建高维特征 | 第60-61页 |
| 5.1.2 越高越好 | 第61-62页 |
| 5.2 联合贝叶斯模型 | 第62-69页 |
| 5.2.1 贝叶斯模型 | 第63-64页 |
| 5.2.2 简单联合模型 | 第64页 |
| 5.2.3 联合贝叶斯模型 | 第64-66页 |
| 5.2.4 联合贝叶斯模型的参数估计 | 第66-69页 |
| 5.3 旋转稀疏回归 | 第69-72页 |
| 5.3.1 稀疏回归模型 | 第70页 |
| 5.3.2 旋转稀疏回归模型 | 第70-71页 |
| 5.3.3 旋转稀疏回归模型的求解 | 第71页 |
| 5.3.4 旋转稀疏回归模型的优点 | 第71-72页 |
| 5.4 实验验证 | 第72-78页 |
| 5.4.1 高维特征比较实验 | 第72-75页 |
| 5.4.2 联合贝叶斯模型比较实验 | 第75-77页 |
| 5.4.3 旋转稀疏回归模型比较实验 | 第77-78页 |
| 5.4.4 在LFW数据库上的结果 | 第78页 |
| 5.5 小结和讨论 | 第78-81页 |
| 第六章 总结与展望 | 第81-85页 |
| 6.1 研究工作总结 | 第81-82页 |
| 6.2 不足和展望 | 第82-85页 |
| 参考文献 | 第85-93页 |
| 致谢 | 第93-95页 |
| 在读期间发表的学术论文与取得的研究成果 | 第95页 |
