三维人脸区域标记和姿势估计研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 三维人脸研究概述 | 第10-11页 |
| 1.2.2 三维几何描述符 | 第11-12页 |
| 1.2.3 三维人脸姿势估计方法 | 第12-14页 |
| 1.3 论文主要工作及结构安排 | 第14-15页 |
| 第二章 基础理论 | 第15-27页 |
| 2.1 三维人脸数据 | 第15-18页 |
| 2.1.1 三维人脸数据形式 | 第15页 |
| 2.1.2 国内外三维人脸数据库介绍 | 第15-16页 |
| 2.1.3 Kinect介绍 | 第16-18页 |
| 2.2 随机森林算法 | 第18-22页 |
| 2.2.1 决策树理论 | 第18-20页 |
| 2.2.2 从决策树到随机森林 | 第20-22页 |
| 2.3 深度学习理论介绍 | 第22-25页 |
| 2.3.1 人工神经网络 | 第22-23页 |
| 2.3.2 反向传播算法 | 第23-24页 |
| 2.3.3 卷积神经网络 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于正方形切平面描述符的三维人脸区域标记 | 第27-39页 |
| 3.1 问题描述 | 第27页 |
| 3.2 正方形切平面描述符的定义与提取 | 第27-31页 |
| 3.2.1 正方形切平面描述符的定义 | 第27-28页 |
| 3.2.2 描述符的提取 | 第28-31页 |
| 3.3 三维人脸区域分割 | 第31页 |
| 3.4 基于随机森林的特征分类方法 | 第31-34页 |
| 3.4.1 随机森林的构建 | 第32-33页 |
| 3.4.2 训练 | 第33-34页 |
| 3.4.3 测试 | 第34页 |
| 3.5 实验与分析 | 第34-38页 |
| 3.5.1 数据集与实验环境 | 第34-35页 |
| 3.5.2 实验结果与分析 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于卷积神经网络的三维人脸姿势估计 | 第39-49页 |
| 4.1 问题描述 | 第39页 |
| 4.2 数据集生成 | 第39-42页 |
| 4.2.1 三维模型生成 | 第39-40页 |
| 4.2.2 深度图数据集的生成 | 第40-42页 |
| 4.3 基于深度图和卷积网络的人脸姿势估计方法 | 第42-45页 |
| 4.3.1 本文卷积网络模型设计 | 第42-44页 |
| 4.3.2 训练 | 第44-45页 |
| 4.3.3 测试 | 第45页 |
| 4.4 实验数据和结果 | 第45-48页 |
| 4.4.1 实验环境 | 第45-46页 |
| 4.4.2 实验结果与分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 主要结论及展望 | 第49-51页 |
| 主要结论 | 第49页 |
| 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第55页 |
