中文摘要 | 第1-7页 |
英文摘要 | 第7-3页 |
目录 | 第3-9页 |
第一章 引言 | 第9-39页 |
1.1 课题研究意义 | 第9-12页 |
1.1.1 人脸图像分析的实践意义 | 第9-11页 |
1.1.2 人脸图像分析的理论意义 | 第11-12页 |
1.2 课题研究状况和进展 | 第12-27页 |
1.2.1 自动人脸检测方法综述 | 第12-15页 |
1.2.2 人脸和表情特征提取和识别方法综述 | 第15-27页 |
1.3 论文主要工作和各部分内容 | 第27-39页 |
第二章 基于稀疏编码的人脸图像特征提取 | 第39-74页 |
2.1 引言 | 第39-40页 |
2.2 用于整体特征提取的图像编码模型 | 第40-41页 |
2.3 冗余减少原则 | 第41-44页 |
2.4 主元分析(PrincipalComponentAnalysis | 第44-46页 |
2.5 稀疏编码(SparseCoding | 第46-55页 |
2.5.1 稀疏编码的实现 | 第47-52页 |
2.5.2 利用稀疏编码进行人脸图像的特征提取 | 第52-53页 |
2.5.3 稀疏编码的非监督学习神经网络模型 | 第53-55页 |
2.6 仿真试验及分析 | 第55-63页 |
2.6.1 识别结果 | 第56-57页 |
2.6.2 两种编码方法的基函数 | 第57-59页 |
2.6.3 稀疏编码基函数的聚类特性 | 第59-61页 |
2.6.4 冗余性的分配 | 第61-63页 |
2.7 结论 | 第63-74页 |
第三章 稀疏编码的改进算法 | 第74-105页 |
3.1 引言 | 第74页 |
3.2 基于DCT变换的稀疏编码加速算法 | 第74-78页 |
3.2.1 算法原理 | 第75-76页 |
3.2.2 试验及分析 | 第76-78页 |
3.3 基于模糊C均值聚类的基函数初始化算法 | 第78-81页 |
3.3.1 算法原理 | 第78-79页 |
3.3.2 试验及分析 | 第79-81页 |
3.4 基于再励学习的稀疏编码算法 | 第81-93页 |
3.4.1 稀疏编码的再励学习机制 | 第81-82页 |
3.4.2 带聚类项的稀疏编码算法算法 | 第82-84页 |
3.4.3 带可分辨项的稀疏编码算法 | 第84-85页 |
3.4.4 试验结果和分析 | 第85-93页 |
3.5 结论 | 第93-105页 |
第四章 基于2DEHMM和ICA的人脸表情特征提取和识别 | 第105-139页 |
4.1 引言 | 第105-106页 |
4.2 表情图像的采集及归一化处理 | 第106-108页 |
4.2.1 表情图像的采集 | 第106页 |
4.2.2 表情图像的归一化处理 | 第106-108页 |
4.3 表情图像的2DEHMM模型 | 第108-112页 |
4.3.1 EHMM的参数 | 第109-111页 |
4.3.2 人脸差分图像的EHMM结构 | 第111-112页 |
4.4 观测值的获取 | 第112-115页 |
4.4.1 独立分量分析 | 第112-113页 |
4.4.2 表情图象块的独立特征提取 | 第113-115页 |
4.5 EHMM模型的训练 | 第115-125页 |
4.5.1 EHMM的解码算法 | 第115-117页 |
4.5.2 EHMM的前进后退算法 | 第117-121页 |
4.5.3 EHMM的参数再估计算法 | 第121-123页 |
4.5.4 EHMM的训练步骤 | 第123-125页 |
4.6 试验结果和分析 | 第125-129页 |
4.6.1 抗基准点偏移的影响 | 第126-128页 |
4.6.2 观测值特征向量对识别的影响 | 第128-129页 |
4.7 结论 | 第129-139页 |
第五章 人脸自动识别系统的实现 | 第139-152页 |
5.1 引言 | 第139-140页 |
5.2 人脸检测 | 第140页 |
5.3 人脸图像的归一化,特征提取和识别 | 第140-141页 |
5.4 结论 | 第141-152页 |
第六章 总结与展望 | 第152-165页 |
6.1 本文工作的总结 | 第152-153页 |
6.2 进一步研究方向 | 第153-155页 |
参考文献 | 第155-165页 |
个人简历和论文发表情况 | 第165-166页 |