基于改进粒子滤波的人脸跟踪算法的研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-17页 |
| ·课题研究的背景及意义 | 第8-9页 |
| ·人脸跟踪问题中的难点 | 第9页 |
| ·人脸跟踪研究现状 | 第9-15页 |
| ·基于检测的方法 | 第10-11页 |
| ·基于识别的方法 | 第11-12页 |
| ·基于贝叶斯滤波的方法 | 第12-14页 |
| ·其它跟踪方法 | 第14-15页 |
| ·本文的主要研究内容 | 第15-17页 |
| 2 粒子滤波原理 | 第17-28页 |
| ·贝叶斯滤波原理 | 第17-19页 |
| ·蒙特卡罗方法 | 第19-20页 |
| ·粒子滤波原理 | 第20-25页 |
| ·粒子滤波的理论基础 | 第21-23页 |
| ·粒子滤波算法存在的问题 | 第23-25页 |
| ·粒子滤波在视觉跟踪中的应用 | 第25-27页 |
| ·目标动态模型 | 第25-26页 |
| ·系统观测 | 第26页 |
| ·后验概率的计算 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 基于改进粒子滤波的实时鲁棒的人脸跟踪算法 | 第28-44页 |
| ·颜色跟踪线索、动态模型和观测模型 | 第28-32页 |
| ·颜色跟踪线索 | 第28-31页 |
| ·动态模型 | 第31-32页 |
| ·观测模型 | 第32页 |
| ·AdaBoost 人脸检测算法与粒子群优化算法 | 第32-36页 |
| ·AdaBoost 人脸检测算法 | 第32-35页 |
| ·粒子群优化算法 | 第35-36页 |
| ·粒子群优化粒子滤波方法及其在人脸跟踪中的应用 | 第36-38页 |
| ·粒子群优化粒子滤波算法 | 第37页 |
| ·基于粒子群优化粒子滤波器的人脸跟踪算法 | 第37-38页 |
| ·实验结果和分析 | 第38-43页 |
| ·OpenCV 计算机视觉库介绍 | 第39页 |
| ·实验结果与分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 4 结合水平集和粒子滤波的人脸轮廓跟踪算法 | 第44-55页 |
| ·水平集方法原理简介 | 第44-48页 |
| ·曲线演化理论 | 第45页 |
| ·水平集方法 | 第45-46页 |
| ·基于区域信息的分割模型 | 第46-47页 |
| ·水平集函数的重新初始化 | 第47-48页 |
| ·一种改进的水平集方法 | 第48-50页 |
| ·算法描述 | 第48-49页 |
| ·实验结果及分析 | 第49-50页 |
| ·粒子滤波框架下的人脸轮廓跟踪 | 第50-52页 |
| ·系统的动态模型与观测模型 | 第50-51页 |
| ·人脸轮廓跟踪算法描述 | 第51-52页 |
| ·实验结果及分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5 结论与展望 | 第55-57页 |
| ·本文所做的工作 | 第55页 |
| ·本文后续工作与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-63页 |
| A. 作者在攻读学位期间发表的论文目录 | 第62-63页 |
