自然教室中基于粒子滤波的人脸跟踪研究与实现
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 E-Learning 与标准自然教室 | 第9-10页 |
| 1.2 人脸视觉研究的背景 | 第10-12页 |
| 1.3 本文的研究工作 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 人脸检测与跟踪技术综述 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 人脸特征 | 第14-16页 |
| 2.2.1 颜色信息 | 第14-15页 |
| 2.2.2 轮廓信息 | 第15页 |
| 2.2.3 表面特征 | 第15-16页 |
| 2.2.4 局部特征 | 第16页 |
| 2.3 目标检测算法 | 第16-19页 |
| 2.3.1 支持向量机 | 第17页 |
| 2.3.2 人工神经网络 | 第17-18页 |
| 2.3.3 Boosted Cascade 算法 | 第18-19页 |
| 2.4 目标跟踪算法 | 第19-22页 |
| 2.4.1 均值漂移算法 | 第19-20页 |
| 2.4.2 连续自适应均值漂移算法 | 第20-21页 |
| 2.4.3 滤波方法 | 第21-22页 |
| 2.5 小结 | 第22-23页 |
| 第三章 人脸肤色模型 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 色彩空间 | 第23-29页 |
| 3.2.1 RGB 色彩空间 | 第23-24页 |
| 3.2.2 HSV 色彩空间 | 第24-25页 |
| 3.2.3 Lab 色彩空间 | 第25页 |
| 3.2.4 YCbCr 色彩空间 | 第25-26页 |
| 3.2.5 色彩空间比较 | 第26-29页 |
| 3.3 肤色模型 | 第29-33页 |
| 3.3.1 阈值模型 | 第29页 |
| 3.3.2 直方图模型 | 第29-30页 |
| 3.3.3 高斯模型 | 第30-31页 |
| 3.3.4 阈值-CbCr 高斯模型 | 第31-33页 |
| 3.4 小结 | 第33-34页 |
| 第四章 LBP 纹理特征提取 | 第34-44页 |
| 4.1 引言 | 第34-35页 |
| 4.2 局部二进制纹理模式(LBP) | 第35-41页 |
| 4.2.1 LBP 简介 | 第35-37页 |
| 4.2.2 LBP 算子的改进 | 第37-40页 |
| 4.2.3 分块 LBP | 第40-41页 |
| 4.3 LBP 特征相似度测量 | 第41-43页 |
| 4.4 小结 | 第43-44页 |
| 第五章 粒子滤波理论与应用 | 第44-56页 |
| 5.1 引言 | 第44页 |
| 5.2 贝叶斯滤波 | 第44-47页 |
| 5.3 粒子滤波 | 第47-52页 |
| 5.3.1 序贯重要性采样粒子滤波(SIS) | 第47-50页 |
| 5.3.2 标准粒子滤波中的粒子退化现象 | 第50页 |
| 5.3.3 采样重要性重采样粒子滤波(SIR) | 第50-52页 |
| 5.4 实验结果 | 第52-55页 |
| 5.5 小结 | 第55-56页 |
| 第六章 粒子滤波人脸跟踪 | 第56-65页 |
| 6.1 引言 | 第56页 |
| 6.2 粒子滤波跟踪模型 | 第56-60页 |
| 6.2.1 粒子动态模型 | 第56-57页 |
| 6.2.2 粒子观测模型 | 第57-58页 |
| 6.2.3 目标特征的更新 | 第58-59页 |
| 6.2.4 跟踪算法步骤 | 第59-60页 |
| 6.3 系统工作流程 | 第60页 |
| 6.4 实验与系统实现 | 第60-64页 |
| 6.5 小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表的论文 | 第71-73页 |
