首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

人脸图像分析和识别方法研究

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

论文共166页,点击 下载论文
上一篇:煤中微量元素(汞、砷、氟和氯)在煤炭加工利用中运移规律的研究
下一篇:均压通风动态监测技术的研究