| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 虚拟化妆的研究现状 | 第11-13页 |
| 1.2.2 人脸检测的研究现状 | 第13-14页 |
| 1.2.3 人脸对齐的研究现状 | 第14页 |
| 1.2.4 化妆推荐核心技术的研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.3.1 人脸检测与对齐 | 第15-16页 |
| 1.3.2 基于特征点与图层分解相结合的虚拟化妆方法 | 第16页 |
| 1.3.3 基于改进DeepID网络的化妆推荐方法 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关背景知识 | 第18-26页 |
| 2.1 图像处理 | 第18-20页 |
| 2.1.1 引导滤波器 | 第18-19页 |
| 2.1.2 CIELAB颜色空间 | 第19-20页 |
| 2.2 AdaBoost算法 | 第20-21页 |
| 2.3 卷积神经网络 | 第21-23页 |
| 2.4 联合贝叶斯 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 人脸检测与人脸对齐 | 第26-40页 |
| 3.1 人脸检测 | 第26-31页 |
| 3.1.1 Haar-like特征 | 第26-27页 |
| 3.1.2 积分图 | 第27-28页 |
| 3.1.3 构建AdaBoost分类器 | 第28-30页 |
| 3.1.4 实验与分析 | 第30-31页 |
| 3.2 人脸对齐 | 第31-39页 |
| 3.2.1 图像归一化 | 第32-33页 |
| 3.2.2 特征提取 | 第33-35页 |
| 3.2.3 收敛函数优化 | 第35-37页 |
| 3.2.4 实验与分析 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 基于特征点与图层分解相结合的虚拟化妆方法 | 第40-54页 |
| 4.1 人脸磨皮方法优化 | 第40-45页 |
| 4.1.1 三角剖分 | 第41-42页 |
| 4.1.2 局部磨皮 | 第42-43页 |
| 4.1.3 实验与分析 | 第43-45页 |
| 4.2 人脸图层合成算法及其改进 | 第45-53页 |
| 4.2.1 粗化妆阶段 | 第45-46页 |
| 4.2.2 细化妆阶段 | 第46-50页 |
| 4.2.3 实验与分析 | 第50-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 基于改进DeepID网络的化妆推荐方法 | 第54-66页 |
| 5.1 网络构建 | 第54-57页 |
| 5.1.1 网络结构 | 第54-56页 |
| 5.1.2 数据集 | 第56-57页 |
| 5.1.3 数据预处理 | 第57页 |
| 5.2 模型学习 | 第57-59页 |
| 5.3 网络改进 | 第59-62页 |
| 5.3.1 参数优化 | 第59-60页 |
| 5.3.2 激活函数、分类器替换 | 第60-62页 |
| 5.4 实验与分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间公开发表论文 | 第72-73页 |
| 致谢 | 第73页 |