| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 面部特征点定位概述 | 第9-11页 |
| 1.2.1 国内外研究现状 | 第9-11页 |
| 1.3 面部特征点定位研究存在的问题 | 第11-12页 |
| 1.4 本文的主要工作 | 第12-13页 |
| 第2章 支持向量回归 | 第13-22页 |
| 2.1 统计学习理论 | 第13-14页 |
| 2.1.1 机器学习问题 | 第13-14页 |
| 2.2 支持向量机 | 第14-16页 |
| 2.2.1 最优超平面 | 第14-16页 |
| 2.2.2 支持向量机 | 第16页 |
| 2.3 支持向量回归 | 第16-20页 |
| 2.3.1 回归分析的问题表述 | 第17页 |
| 2.3.2 ε-不敏感函数 | 第17-18页 |
| 2.3.3 最优超平面 | 第18-19页 |
| 2.3.4 支持向量回归的特点 | 第19页 |
| 2.3.5 改进的支持向量回归 | 第19-20页 |
| 2.4 实验验证 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 纹理特征与特征选择 | 第22-40页 |
| 3.1 Gabor小波 | 第22-25页 |
| 3.1.1 Gabor小波变换 | 第22-24页 |
| 3.1.2 一维Gabor小波变换 | 第24-25页 |
| 3.1.3 二维Gabor小波变换 | 第25页 |
| 3.2 局部二值模式 | 第25-30页 |
| 3.2.1 基本的局部二值模式 | 第26页 |
| 3.2.2 扩展的局部二值模式 | 第26-28页 |
| 3.2.3 LBP的统一模式 | 第28页 |
| 3.2.4 LBP统计直方图 | 第28-30页 |
| 3.3 Gabor小波与LBP相结合的特征描述方法 | 第30-32页 |
| 3.3.1 Gabor小波与LBP相结合进行特征描述的实现过程 | 第30-31页 |
| 3.3.2 实验验证 | 第31-32页 |
| 3.4 特征选择 | 第32-38页 |
| 3.4.1 特征选择的过程 | 第32-33页 |
| 3.4.2 搜索策略 | 第33-35页 |
| 3.4.3 几种典型的特征选择方法 | 第35-37页 |
| 3.4.4 基于相关性的特征选择方法 | 第37-38页 |
| 3.5 本章小节 | 第38-40页 |
| 第4章 基于预测目标点信息更新的采样策略 | 第40-45页 |
| 4.1 初始采样区域 | 第40-42页 |
| 4.1.1 标定训练集 | 第40-41页 |
| 4.1.2 初始化采样区域 | 第41-42页 |
| 4.2 基于预测目标点信息更新的采样策略 | 第42-43页 |
| 4.3 实验验证 | 第43-44页 |
| 4.4 本章小节 | 第44-45页 |
| 第5章 基于支持向量回归的面部特征点定位算法 | 第45-59页 |
| 5.1 基于支持向量回归的面部特征点定位算法 | 第45-48页 |
| 5.2 常用人脸数据库 | 第48页 |
| 5.3 实验结果 | 第48-58页 |
| 5.3.1 面部特征点定位准确性的评价标准 | 第48-49页 |
| 5.3.2 不同数据库中面部特征点检测实验 | 第49-56页 |
| 5.3.3 算法定位稳定性试验 | 第56-57页 |
| 5.3.4 与其他方法的比较 | 第57-58页 |
| 5.4 本章小节 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |