基于图像的人体特征提取和测量
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.2.1 人体尺寸测量方法的研究现状 | 第9-10页 |
| 1.2.2 图像分割研究的背景和意义 | 第10页 |
| 1.2.3 基于深度学习的分割的背景和意义 | 第10页 |
| 1.3 本文的工作 | 第10-12页 |
| 1.3.1 本文的主要研究内容 | 第10-11页 |
| 1.3.2 论文的组织架构 | 第11-12页 |
| 第二章 传统方法的人体特征点提取与尺寸测量 | 第12-21页 |
| 2.1 灰度化处理 | 第12页 |
| 2.2 图像增强 | 第12页 |
| 2.3 图像去噪 | 第12-15页 |
| 2.3.1 基于空间域的中值滤波 | 第13页 |
| 2.3.2 基于小波域的小波阈值去噪 | 第13-14页 |
| 2.3.3 全变分图像去噪 | 第14-15页 |
| 2.4 改进后的HOG特征人体包围盒 | 第15-16页 |
| 2.5 基于包围盒的人体特征点提取 | 第16-18页 |
| 2.6 基于人体比例部分特征点提取 | 第18-19页 |
| 2.7 人体特征尺寸测量 | 第19-20页 |
| 2.8 本章小结 | 第20-21页 |
| 第三章 基于深度学习的人体图像分割 | 第21-31页 |
| 3.1 卷积神经网络 | 第21-23页 |
| 3.1.1 CNN的网络结构 | 第22页 |
| 3.1.2 CNN的特点 | 第22-23页 |
| 3.2 全卷积神经网络 | 第23-25页 |
| 3.2.1 FCN的网络结构 | 第23-24页 |
| 3.2.2 FCN的特点 | 第24-25页 |
| 3.3 数据生成 | 第25-27页 |
| 3.3.1 数据采集和标注 | 第25-27页 |
| 3.3.2 数据增强 | 第27页 |
| 3.4 simple-FCN模型及分割效果 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 改进的ASM人体特征点提取与尺寸测量 | 第31-46页 |
| 4.1 ASM算法 | 第31-39页 |
| 4.1.1 ASM训练 | 第32-35页 |
| 4.1.2 灰度模型 | 第35-36页 |
| 4.1.3 ASM搜索 | 第36-39页 |
| 4.2 ASM算法改进 | 第39-43页 |
| 4.2.1 ASM算法不足 | 第39页 |
| 4.2.2 ASM算法改进 | 第39-43页 |
| 4.3 改进的ASM算法特征点提取和尺寸测量 | 第43-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 图像的人体特征提取和测量 | 第46-52页 |
| 5.1 实验流程 | 第46-47页 |
| 5.2 实验结果 | 第47-48页 |
| 5.3 讨论与比较 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 研究工作总结 | 第52页 |
| 6.2 研究工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |
