| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构与安排 | 第15-16页 |
| 第2章 基于深度图像和彩色图像融合的头姿估计算法概述 | 第16-20页 |
| 2.1 引言 | 第16页 |
| 2.2 头姿估计算法流程 | 第16-18页 |
| 2.3 本章小结 | 第18-20页 |
| 第3章 人脸关键特征点定位及头姿特征计算 | 第20-40页 |
| 3.1 引言 | 第20页 |
| 3.2 基于YCbCr颜色空间的人眼定位 | 第20-26页 |
| 3.2.1 图像预处理 | 第20-22页 |
| 3.2.2 Haar-like特征提取 | 第22-25页 |
| 3.2.3 Adaboost分类 | 第25-26页 |
| 3.3 基于改进的深度Haar-like特征模板的人脸关键特征点定位 | 第26-35页 |
| 3.3.1 深度数据预处理 | 第26-30页 |
| 3.3.2 改进的Haar-like特征提取 | 第30-34页 |
| 3.3.3 实验结果 | 第34-35页 |
| 3.4 特征点融合及头姿特征计算 | 第35-38页 |
| 3.4.1 图像信息融合技术概述 | 第35-36页 |
| 3.4.2 特征融合方案设计 | 第36-37页 |
| 3.4.3 基于人脸关键点的特征提取 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于半监督在线序列学习的超限学习机 | 第40-56页 |
| 4.1 引言 | 第40-41页 |
| 4.2 ELM, SS-ELM以及OS-ELM概述 | 第41-45页 |
| 4.2.1 ELM简介 | 第41-42页 |
| 4.2.2 SS-ELM简介 | 第42-43页 |
| 4.2.3 OS-ELM概述 | 第43-45页 |
| 4.3 本文提出的半监督在线序列ELM | 第45-48页 |
| 4.4 实验结果及结果分析 | 第48-54页 |
| 4.4.1 实验数据库介绍 | 第48页 |
| 4.4.2 ELM算法中参数设置 | 第48-49页 |
| 4.4.3 SOS-ELM回归性能评估 | 第49-51页 |
| 4.4.4 SOS-ELM分类性能评估 | 第51-54页 |
| 4.4.5 SOS-ELM稳定性评估 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 头姿估计算法实验结果及分析 | 第56-60页 |
| 5.1 引言 | 第56页 |
| 5.2 头姿估计实验 | 第56-59页 |
| 5.2.1 自采头姿数据库 | 第56-57页 |
| 5.2.2 实验结果分析 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
