| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究内容与研究意义 | 第9-12页 |
| ·三维人脸识别研究现状 | 第12-15页 |
| ·三维人脸识别研究的提出 | 第12-13页 |
| ·三维人脸识别技术的优势 | 第13页 |
| ·三维人脸识别技术的主要方法 | 第13-15页 |
| ·本文结构 | 第15-16页 |
| 第二章 三维人脸数据的获取及预处理 | 第16-30页 |
| ·三维人脸数据的获取方法 | 第16-20页 |
| ·基于物理装置的三维数据主动获取 | 第16-18页 |
| ·基于多幅图像的三维数据获取 | 第18-20页 |
| ·Kinect体感设备 | 第20-25页 |
| ·Kinect体感设备的主要功能 | 第21-22页 |
| ·Kinect采集三维图像的基本原理 | 第22-23页 |
| ·Kinect for Windows SDK Beta简介 | 第23-25页 |
| ·基于Kinect的三维人脸数据获取及预处理 | 第25-29页 |
| ·三维人脸数据的主要表达形式 | 第25-26页 |
| ·人脸检测及脸部提取 | 第26-27页 |
| ·降噪处理 | 第27页 |
| ·鼻尖点定位 | 第27-28页 |
| ·三维人脸数据归一化处理 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 三维人脸特征提取 | 第30-39页 |
| ·人脸特征提取的意义 | 第30页 |
| ·主成分分析(PCA)法 | 第30-33页 |
| ·主成分分析的基本原理 | 第30-32页 |
| ·主成分分析的实现步骤 | 第32-33页 |
| ·核主成分分析(KPCA)法 | 第33-38页 |
| ·核方法 | 第33-35页 |
| ·核主成分分析的基本原理 | 第35-37页 |
| ·基于核主成分分析的三维人脸数据特征提取步骤 | 第37页 |
| ·主成分分析和核主成分分析的比较 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于SVM分类器的三维人脸识别 | 第39-57页 |
| ·统计学习理论 | 第39-43页 |
| ·机器学习方法中的期望风险问题 | 第39-40页 |
| ·机器学习模型 | 第40页 |
| ·期望风险和经验风险 | 第40-41页 |
| ·函数集的VC维理论 | 第41页 |
| ·结构风险最小化 | 第41-43页 |
| ·支持向量机(SVM)基本思想 | 第43-48页 |
| ·最优分类面 | 第43-45页 |
| ·支持向量机模型 | 第45-46页 |
| ·多分类SVM模型 | 第46-48页 |
| ·三维人脸识别中SVM分类器的选择及应用 | 第48-51页 |
| ·LibSVM工具 | 第49页 |
| ·LibSVM应用 | 第49-51页 |
| ·实验内容与结果分析 | 第51-56页 |
| ·实验环境 | 第51页 |
| ·实验整体流程 | 第51-52页 |
| ·平台实现及结果分析 | 第52-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·全文总结 | 第57页 |
| ·论文的创新及展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表学术论文及参与项目情况 | 第62-63页 |
| 致谢 | 第63页 |