摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-18页 |
1.1 研究背景与意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 人脸检测与跟踪的研究现状 | 第13页 |
1.2.2 人脸检测技术 | 第13-15页 |
1.2.3 人脸跟踪技术 | 第15-16页 |
1.3 存在的主要问题 | 第16页 |
1.4 主要研究内容 | 第16-18页 |
第2章 基于肤色分割的人脸检测 | 第18-30页 |
2.1 常用色彩空间 | 第18-23页 |
2.1.1 RGB(rgb)色彩空间 | 第18-19页 |
2.1.2 HSV(HIS)色彩空间 | 第19-21页 |
2.1.3 YUV系列色彩空间 | 第21-22页 |
2.1.4 色彩空间的选取 | 第22-23页 |
2.2 肤色模型分类 | 第23-27页 |
2.2.1 阈值化肤色模型 | 第24页 |
2.2.2 参数化高斯模型 | 第24-26页 |
2.2.3 非参数化直方图模型 | 第26-27页 |
2.2.4 肤色模型的选取 | 第27页 |
2.3 肤色区域筛选 | 第27页 |
2.3.1 区域面积 | 第27页 |
2.3.2 区域的长宽比 | 第27页 |
2.3.3 肤色面积占有率 | 第27页 |
2.4 实验结果与分析 | 第27-30页 |
第3章 基于肤色分割与Real Adaboost的人脸检测 | 第30-42页 |
3.1 Haar-like矩形特征与积分图 | 第30-32页 |
3.1.1 Haar-like特征 | 第30页 |
3.1.2 积分图—Haar-like特征的计算 | 第30-32页 |
3.1.3 Haar-like矩形特征拓展 | 第32页 |
3.2. 基于Real Ada Boost算法的级联分类器 | 第32-35页 |
3.2.1 Real Ada Boost算法 | 第32-33页 |
3.2.2 改进的Real Ada Boost分类器 | 第33-35页 |
3.3 结合肤色和改进的Real Ada Boost人脸检测 | 第35-37页 |
3.3.1 检测窗口 | 第35-36页 |
3.3.2 检测算法框架及检测过程 | 第36-37页 |
3.4 实验结果与分析 | 第37-40页 |
3.5 本章小结 | 第40-42页 |
第4章 基于改进WMIL的实时人脸跟踪 | 第42-59页 |
4.1 加权多示例学习算法 | 第42-45页 |
4.1.1 加权学习 | 第42-44页 |
4.1.2 分类器涉及与更新 | 第44-45页 |
4.2 压缩感知 | 第45-47页 |
4.2.1 压缩感知基本思想 | 第45-46页 |
4.2.2 基于压缩感知的特征提取 | 第46-47页 |
4.3 图像的多尺度表示 | 第47-48页 |
4.4 压缩特征的分析 | 第48页 |
4.5 跟踪算法与检测算法融合 | 第48-51页 |
4.5.1 改进的WMIL的跟踪算法 | 第48-50页 |
4.5.2 跟踪算法与检测算法的融合 | 第50-51页 |
4.6 实验结果 | 第51-58页 |
4.6.1 试验参数 | 第51-52页 |
4.6.2 试验结果分析 | 第52-58页 |
4.7 结论 | 第58-59页 |
第5章 在线特征融合的WMIL跟踪算法 | 第59-69页 |
5.1 分布域描述算子 | 第59-61页 |
5.1.1 用DFs表示的外观模型 | 第59-61页 |
5.1.2 分类器的构建 | 第61页 |
5.2 在WMIL框架中基于DFs的目标表示 | 第61-62页 |
5.2.1 用DFs表示的目标 | 第61-62页 |
5.2.2 样本与DFs图层集合的对比 | 第62页 |
5.2.3 模型更新 | 第62页 |
5.2.4 基于DFs的弱分类器设计 | 第62页 |
5.3 目标定位 | 第62-63页 |
5.4 算法流程 | 第63-64页 |
5.5 试验结果 | 第64-68页 |
5.5.1 实验 | 第64页 |
5.5.2 实验结果分析 | 第64-68页 |
5.6 本章总结 | 第68-69页 |
第6章 总结与展望 | 第69-71页 |
6.1 总结 | 第69-70页 |
6.2 展望 | 第70-71页 |
参考文献 | 第71-76页 |
附录A 攻读学位期间所发表的学术论文目录 | 第76-77页 |
致谢 | 第77页 |