| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及意义 | 第11-14页 |
| 1.1.1 课题来源 | 第12页 |
| 1.1.2 人脸识别系统概述 | 第12-13页 |
| 1.1.3 面临的主要挑战 | 第13-14页 |
| 1.2 姿态人脸识别主流方法介绍 | 第14-17页 |
| 1.3 本文主要研究内容及组织结构 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17页 |
| 1.3.2 论文组织结构 | 第17-19页 |
| 第2章 特征提取方法及姿态因素影响分析 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 LBP特征提取算法 | 第19-23页 |
| 2.2.1 LBP(Local Binary Pattern)算子 | 第19-21页 |
| 2.2.2 LBP几种改进算法 | 第21-23页 |
| 2.3 Gabor小波的特征提取 | 第23-25页 |
| 2.4 姿态因素对人脸识别的影响 | 第25-29页 |
| 2.4.1 光照和姿态影响识别对比 | 第25-26页 |
| 2.4.2 基于LBP特征提取算法全局与局部特征随姿态变化规律 | 第26-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 AAM关键点检测模型 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 基于AAM(active appearance model)关键点检测 | 第31-37页 |
| 3.2.1 AAM模型建立 | 第31-35页 |
| 3.2.2 模型匹配 | 第35-37页 |
| 3.3 基于Zhu-detector与AAM结合的改进型检测模型 | 第37-41页 |
| 3.3.1 基于混合树结构(Zhu-detector)关键点检测算法介绍 | 第37-38页 |
| 3.3.2 AAM多姿态扩展与及与改进算法介绍 | 第38-41页 |
| 3.4 本文关键点检测结果及实验 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于关键点的人脸识别方法 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 基于关键点的姿态估计 | 第45-50页 |
| 4.2.1 基于关键点位置几何特征姿态估计方法的一般思路 | 第46-47页 |
| 4.2.2 基于'X'型模板姿态估计方法 | 第47-50页 |
| 4.3 几种基于关键点识别方法研究 | 第50-57页 |
| 4.3.1 基于全局+关键点局部特征的姿态人脸识别方法 | 第51-52页 |
| 4.3.2 基于多关键点局部特征的姿态人脸识别方法 | 第52-54页 |
| 4.3.3 两种识别方法的姿态处理策略 | 第54-55页 |
| 4.3.4 识别方法引入有监督学习PLDA(Probabilistic LDA) | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 实验结果及分析 | 第59-67页 |
| 5.1 引言 | 第59页 |
| 5.2 本文方法在LFW库测试 | 第59-62页 |
| 5.2.1 数据及测试协议介绍 | 第59-60页 |
| 5.2.3 实验参数设置及结果分析 | 第60-62页 |
| 5.3 本文方法在CAS-PEAL-R1库测试 | 第62-65页 |
| 5.3.1 CAS-PEAL-R1库数据及测试协议介绍 | 第62-64页 |
| 5.3.2 实验结果及分析 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 后续工作展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |
