实时人脸检测与姿态鲁棒的特征点检测方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 人脸检测研究现状 | 第8-11页 |
| 1.2.1 基于图像特征的人脸检测 | 第9页 |
| 1.2.2 基于模板的人脸检测 | 第9-10页 |
| 1.2.3 基于统计分类的人脸检测 | 第10-11页 |
| 1.3 面部特征点检测研究现状 | 第11-15页 |
| 1.3.1 基于约束变形模型的特征点检测 | 第12-13页 |
| 1.3.2 基于概率模型的特征点检测 | 第13-14页 |
| 1.3.3 基于机器学习的特征点检测 | 第14-15页 |
| 1.4 本文的主要工作及论文结构 | 第15-18页 |
| 2 基于AdaBoost算法的人脸检测原理 | 第18-26页 |
| 2.1 AdaBoost算法的提出 | 第18页 |
| 2.2 Haar特征与积分图像 | 第18-20页 |
| 2.3 AdaBoost算法 | 第20-22页 |
| 2.4 级联分类器 | 第22-23页 |
| 2.5 基于AdaBoost算法的检测存在的问题 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 3 基于两级结构的人脸检测 | 第26-40页 |
| 3.1 BING特征 | 第26-27页 |
| 3.2 基于BING特征的人脸分类器 | 第27-35页 |
| 3.2.1 支持向量机 | 第28-31页 |
| 3.2.2 基于BING特征的人脸分类器训练 | 第31-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.3.1 基于BING特征的人脸检测结果与分析 | 第35-38页 |
| 3.3.2 基于两级结构的人脸检测结果与分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 姿态鲁棒的特征点检测 | 第40-60页 |
| 4.1 反向传播神经网络 | 第40-42页 |
| 4.1.1 前向传播原理 | 第40-41页 |
| 4.1.2 反向传播原理 | 第41-42页 |
| 4.2 卷积神经网络 | 第42-48页 |
| 4.2.1 卷积神经网络的特点 | 第43-44页 |
| 4.2.2 卷积神经网络的结构 | 第44-45页 |
| 4.2.3 卷积神经网络的计算 | 第45-47页 |
| 4.2.4 激活函数 | 第47-48页 |
| 4.3 特征点检测的两级卷积神经网络模型设计 | 第48-52页 |
| 4.4 实验结果与分析 | 第52-59页 |
| 4.4.1 数据准备 | 第52-53页 |
| 4.4.2 特征点检测的结果与分析 | 第53-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 6 致谢 | 第62-64页 |
| 7 参考文献 | 第64-68页 |
