| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 人脸特征点定位国内外研究现状 | 第15-18页 |
| 1.2.1 基于特征模型的方法 | 第15-16页 |
| 1.2.2 基于级联回归的方法 | 第16-17页 |
| 1.2.3 基于深度学习的方法 | 第17-18页 |
| 1.3 本文研究的主要内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第二章 基础理论 | 第20-27页 |
| 2.1 图像预处理技术 | 第20-21页 |
| 2.1.1 直方图均衡 | 第20页 |
| 2.1.2 中值滤波 | 第20-21页 |
| 2.1.3 归一化 | 第21页 |
| 2.2 级联回归模型 | 第21-23页 |
| 2.2.1 级联回归模型原理介绍 | 第21-22页 |
| 2.2.2 级联回归模型在人脸特征点定位中的应用 | 第22-23页 |
| 2.3 深度模型 | 第23-26页 |
| 2.3.1 深度学习常用模型或方法 | 第23-25页 |
| 2.3.2 深度模型在人脸特征点定位上的应用 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于分类外形搜索的人脸特征点定位 | 第27-42页 |
| 3.1 改进方案 | 第27-28页 |
| 3.1.1 传统方法存在的问题 | 第27页 |
| 3.1.2 新方案的提出 | 第27-28页 |
| 3.2 随机森林简介 | 第28-30页 |
| 3.2.1 随机森林定义 | 第28-29页 |
| 3.2.2 随机森林原理 | 第29-30页 |
| 3.3 基于分类外形搜索的人脸特征点定位 | 第30-35页 |
| 3.3.1 单棵决策树的构建 | 第30-31页 |
| 3.3.2 基于相关性的特征选择 | 第31-33页 |
| 3.3.3 训练随机森林分类器 | 第33页 |
| 3.3.4 分类外形搜索算法 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-41页 |
| 3.4.1 分类特征的选择 | 第36页 |
| 3.4.2 分类精度验证 | 第36-37页 |
| 3.4.3 数据集和参数设置 | 第37-38页 |
| 3.4.4 实验结果 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于级联栈式自编码网络的人脸特征点定位 | 第42-57页 |
| 4.1 新方法的提出 | 第42-43页 |
| 4.1.1 传统方法存在的问题 | 第42-43页 |
| 4.1.2 本章提出的方法 | 第43页 |
| 4.2 栈式自编码网络理论 | 第43-45页 |
| 4.2.1 栈式自编码器结构 | 第43-44页 |
| 4.2.2 栈式自编码网络训练过程 | 第44-45页 |
| 4.2.3 栈式自编码网络的微调过程 | 第45页 |
| 4.3 级联栈式自编码网络(CSAN) | 第45-47页 |
| 4.3.1 全局栈式自编码网络(GSAN,GlobalSAN) | 第45-46页 |
| 4.3.2 局部栈式自编码网络(LSAN) | 第46-47页 |
| 4.4 实验结果与分析 | 第47-56页 |
| 4.4.1 实验环境及参数设置 | 第47-48页 |
| 4.4.2 实验数据集 | 第48-49页 |
| 4.4.3 实验结果 | 第49-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 附录 A 攻读硕士学位期间的研究成果 | 第63-64页 |
| 附录 B 攻读硕士学位期间参加的项目 | 第64-65页 |
| 致谢 | 第65页 |