基于kinect的人脸识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 人脸识别背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 论文研究的内容和结构安排 | 第15-18页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 结构安排 | 第16-18页 |
| 第2章 基础理论知识 | 第18-30页 |
| 2.1 人脸检测基本方法 | 第18-23页 |
| 2.1.1 基于RGB图像的人脸检测 | 第18-20页 |
| 2.1.2 基于深度图像的人脸检测 | 第20-23页 |
| 2.2 Kinect简介 | 第23-25页 |
| 2.2.1 Kinect相关背景知识 | 第24-25页 |
| 2.2.2 Kinect采集的图像 | 第25页 |
| 2.3 Kinect深度图像增强方法 | 第25-29页 |
| 2.3.1 双边滤波 | 第26-27页 |
| 2.3.2 区域增长和双边滤波 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于静态RGB-D数据的人脸描述与识别 | 第30-44页 |
| 3.1 常用人脸描述子 | 第30-31页 |
| 3.2 LBP和三维LBP(3DLBP) | 第31-33页 |
| 3.3 紧密二值描述子 | 第33-34页 |
| 3.4 RGB-D人脸表示 | 第34-36页 |
| 3.5 实验结果及分析 | 第36-43页 |
| 3.5.1 RGB-D数据集介绍 | 第36-37页 |
| 3.5.2 实验1 | 第37-39页 |
| 3.5.3 实验2 | 第39-41页 |
| 3.5.4 实验3 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于Kinect的实时的人脸识别 | 第44-58页 |
| 4.1 概序 | 第44-45页 |
| 4.2 基于随机森林的头部姿势估计 | 第45-47页 |
| 4.2.1 训练 | 第45-47页 |
| 4.2.2 测试 | 第47页 |
| 4.3 基于AAM的人脸矫正 | 第47-50页 |
| 4.3.1 形状和纹理模型建立 | 第48页 |
| 4.3.2 AAM模型匹配 | 第48-49页 |
| 4.3.3 多姿态AAM模型 | 第49-50页 |
| 4.4 主要原理和步骤 | 第50-53页 |
| 4.4.1 标定Kinect传感器 | 第50-51页 |
| 4.4.2 Kinect V2深度图去噪 | 第51-52页 |
| 4.4.3 人脸检测与识别 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.5.1 数据集介绍 | 第53-54页 |
| 4.5.2 实验与结果分析 | 第54-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 5.1 本文的工作总结 | 第58-59页 |
| 5.2 今后的工作展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第68页 |
