| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 姿态估计的方法 | 第10-12页 |
| 1.2.1 基于外观模板的方法 | 第10页 |
| 1.2.2 基于模型的方法 | 第10-11页 |
| 1.2.3 基于特征的方法 | 第11页 |
| 1.2.4 基于分类的方法 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 课题的内容和章节安排 | 第13-15页 |
| 1.4.1 课题内容 | 第13页 |
| 1.4.2 章节安排 | 第13-15页 |
| 第二章 人脸检测与跟踪 | 第15-29页 |
| 2.1 人脸检测 | 第15-24页 |
| 2.1.1 引言 | 第15-16页 |
| 2.1.2 人脸的特征 | 第16-17页 |
| 2.1.3 人脸检测的方法 | 第17-19页 |
| 2.1.4 基于Haar-like特征的AdaBoost人脸检测技术 | 第19-24页 |
| 2.2 人脸跟踪 | 第24-28页 |
| 2.2.1 人脸跟踪的方法 | 第24-25页 |
| 2.2.2 基于光流法的跟踪 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 多层随机森林分类器的设计 | 第29-45页 |
| 3.1 人脸特征点定位 | 第29-35页 |
| 3.1.1 人脸特征点定位的意义 | 第29-30页 |
| 3.1.2 特征点定位的方法 | 第30页 |
| 3.1.3 提取分类特征 | 第30-35页 |
| 3.2 优化特征数据 | 第35-39页 |
| 3.2.1 主成分分析的原理 | 第35-36页 |
| 3.2.2 主成分分析的数学模型 | 第36-38页 |
| 3.2.3 数据对比分析 | 第38-39页 |
| 3.3 随机森林算法的应用 | 第39-43页 |
| 3.3.1 随机森林简介 | 第39-42页 |
| 3.3.2 多层随机森林分类器的训练 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于多层随机森林分类的人脸姿态估计 | 第45-53页 |
| 4.1 角度方向规定 | 第45-46页 |
| 4.2 多层随机森林分类器的应用 | 第46-52页 |
| 4.2.1 获取训练样本数据 | 第46-48页 |
| 4.2.2 视频人脸的姿态估计 | 第48-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |