基于HOG特征和梯度提升决策树算法的人脸关键点检测技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文结构安排 | 第13-16页 |
| 2 相关工作 | 第16-36页 |
| 2.1 引言 | 第16-17页 |
| 2.2 主动形状模型 | 第17-22页 |
| 2.2.1 ASM简介 | 第17页 |
| 2.2.2 ASM模型训练 | 第17-20页 |
| 2.2.3 ASM搜索 | 第20-22页 |
| 2.3 随机森林 | 第22-25页 |
| 2.3.1 引言 | 第22页 |
| 2.3.2 随机森林的生成步骤 | 第22-23页 |
| 2.3.3 随机森林算法 | 第23-24页 |
| 2.3.4 随机森林的应用 | 第24-25页 |
| 2.4 梯度提升决策树 | 第25-28页 |
| 2.4.1 决策树 | 第25-26页 |
| 2.4.2 梯度提升 | 第26-28页 |
| 2.4.3 Shrinkage | 第28页 |
| 2.4.4 GBDT的优点 | 第28页 |
| 2.5 图像特征 | 第28-32页 |
| 2.5.1 HOG特征 | 第29-30页 |
| 2.5.2 LBP特征 | 第30-31页 |
| 2.5.3 Gabor特征 | 第31-32页 |
| 2.6 人脸数据集 | 第32-34页 |
| 2.6.1 BioID数据集 | 第32页 |
| 2.6.2 LFW数据集 | 第32-33页 |
| 2.6.3 LFPW数据集 | 第33-34页 |
| 2.7 小结 | 第34-36页 |
| 3 多种图像特征的大规模实验对比 | 第36-46页 |
| 3.1 引言 | 第36-37页 |
| 3.2 设计实验 | 第37-38页 |
| 3.2.1 特征类别 | 第37页 |
| 3.2.2 实验数据 | 第37页 |
| 3.2.3 实验步骤 | 第37-38页 |
| 3.3 实验结果分析 | 第38-44页 |
| 3.3.1 单个特征比较分析 | 第39-40页 |
| 3.3.2 融合特征比较分析 | 第40-41页 |
| 3.3.3 级联特征比较分析 | 第41-43页 |
| 3.3.4 最佳特征选择 | 第43-44页 |
| 3.4 小结 | 第44-46页 |
| 4 实验结果分析 | 第46-52页 |
| 4.1 引言 | 第46页 |
| 4.2 SO-RF和Face++ | 第46-47页 |
| 4.3 实验设计 | 第47页 |
| 4.3.1 实验数据 | 第47页 |
| 4.3.2 实验步骤 | 第47页 |
| 4.4 实验结果 | 第47-51页 |
| 4.4.1 H-GBDT与SO-RF比较分析 | 第47-49页 |
| 4.4.2 H-GBDT与Face++比较分析 | 第49-51页 |
| 4.5 小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 附录A 检测误差平均值 | 第60-63页 |
