基于两阶段定位模型的人脸对齐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究问题与描述 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-20页 |
| 1.3.1 基于参数化外观模型的人脸对齐 | 第16-17页 |
| 1.3.2 基于可变形模型的人脸对齐 | 第17页 |
| 1.3.3 基于判别方法的人脸对齐 | 第17-18页 |
| 1.3.4 基于深度学习的人脸对齐 | 第18-20页 |
| 1.4 现有工作总结及本文研究内容 | 第20-22页 |
| 1.5 论文结构 | 第22-23页 |
| 第2章 基于卷积神经网络的粗定位模型 | 第23-42页 |
| 2.1 级联回归模型分析 | 第23-33页 |
| 2.1.1 数据集 | 第23-25页 |
| 2.1.2 人脸框敏感性分析 | 第25-27页 |
| 2.1.3 最优人脸框分析 | 第27-29页 |
| 2.1.4 基于初始化位置预测的模型优化 | 第29-33页 |
| 2.2 基于卷积神经网络的粗定位模型 | 第33-40页 |
| 2.2.1 卷积神经网络概述 | 第33-34页 |
| 2.2.2 模型结构 | 第34-35页 |
| 2.2.3 实现细节 | 第35-39页 |
| 2.2.4 实验结果与分析 | 第39-40页 |
| 2.3 本章小结 | 第40-42页 |
| 第3章 基于共享参数的级联回归精定位模型 | 第42-56页 |
| 3.1 基本回归模型 | 第42-44页 |
| 3.1.1 概述 | 第42-44页 |
| 3.1.2 局部特征学习模型 | 第44页 |
| 3.2 基于共享参数的级联回归模型 | 第44-50页 |
| 3.2.1 概述 | 第44-45页 |
| 3.2.2 作为梯度预测模型的讨论 | 第45-46页 |
| 3.2.3 与相关方法的对比 | 第46-47页 |
| 3.2.4 模型简化 | 第47-50页 |
| 3.3 实验结果与分析 | 第50-55页 |
| 3.3.1 实现细节 | 第50页 |
| 3.3.2 精定位模型有效性分析 | 第50-51页 |
| 3.3.3 不同级联数量结果对比 | 第51-52页 |
| 3.3.4 梯度预测有效性示例 | 第52-53页 |
| 3.3.5 记忆能力有效性分析 | 第53-54页 |
| 3.3.6 模型简化有效性分析 | 第54-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 人脸识别系统的设计与实现 | 第56-66页 |
| 4.1 系统架构 | 第56-58页 |
| 4.2 系统功能及实现 | 第58-63页 |
| 4.2.1 人脸检测 | 第58-60页 |
| 4.2.2 人脸关键点定位 | 第60页 |
| 4.2.3 人脸对比 | 第60-62页 |
| 4.2.4 相似脸搜索 | 第62页 |
| 4.2.5 人脸识别 | 第62-63页 |
| 4.3 系统评测 | 第63-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66-67页 |
| 5.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
