| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 引言 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 研究现状及存在的问题 | 第9-11页 |
| 1.4 本文的主要工作及组织结构 | 第11-13页 |
| 1.4.1 本文主要工作内容 | 第11页 |
| 1.4.2 本文的组织结构 | 第11-13页 |
| 第2章 特征点检测方法综述 | 第13-19页 |
| 2.1 二维人脸特征点检测方法 | 第13-15页 |
| 2.2 三维人脸特征点检测方法 | 第15-17页 |
| 2.3 本章小结 | 第17-19页 |
| 第3章 理论基础 | 第19-32页 |
| 3.1 局部形状描述子 | 第19-23页 |
| 3.1.1 点邻域 | 第19页 |
| 3.1.2 曲面曲率理论基础 | 第19-21页 |
| 3.1.3 本文的曲面曲率计算 | 第21-22页 |
| 3.1.4 其它描述子 | 第22-23页 |
| 3.2 常用连续型概率分布函数 | 第23-25页 |
| 3.2.0 均匀分布 | 第23-24页 |
| 3.2.1 正态分布函数 | 第24-25页 |
| 3.2.2 对数正态分布 | 第25页 |
| 3.3 分类器 | 第25-27页 |
| 3.3.1 线性判别分析方法 | 第25-27页 |
| 3.3.2 AdaBoost方法 | 第27页 |
| 3.4 三维点云配准方法 | 第27-31页 |
| 3.4.1 迭代最近点算法 | 第28-29页 |
| 3.4.2 随机采样一致性算法 | 第29-31页 |
| 3.5 小结 | 第31-32页 |
| 第4章 基于多描述子匹配分布与合并的特征点检测 | 第32-46页 |
| 4.1 特征点检测方法 | 第32-34页 |
| 4.2 匹配分布得分 | 第34-37页 |
| 4.2.1 参考点邻域的局部形状描述子值概率分布 | 第35-36页 |
| 4.2.2 描述子与分布的匹配方法 | 第36-37页 |
| 4.3 局部形状得分 | 第37-40页 |
| 4.3.1 线性合并方法 | 第37-38页 |
| 4.3.2 非线性合并方法 | 第38-40页 |
| 4.4 特征点提取 | 第40-41页 |
| 4.5 特征点检测结果与分析 | 第41-45页 |
| 4.5.1 FRGC v2.0 数据库 | 第41-42页 |
| 4.5.2 LDA结果 | 第42-43页 |
| 4.5.3 AdaBoost弱分类器数 | 第43-44页 |
| 4.5.4 LDA与AdaBoost结果比较 | 第44-45页 |
| 4.6 小结 | 第45-46页 |
| 第5章 基于RANSAC配准与投影的特征点标记 | 第46-53页 |
| 5.1 标记方法 | 第46-48页 |
| 5.1.1 基于尺度可调的刚性模型的RANSAC配准方法 | 第47页 |
| 5.1.2 参考点到待测曲面的投影 | 第47-48页 |
| 5.2 标记结果与分析 | 第48-52页 |
| 5.3 结论 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望与未来工作 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |