基于图像的人脸特征提取与发型分类
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 特征点定位研究现状 | 第10-11页 |
| 1.2.2 图像分类研究现状 | 第11-12页 |
| 1.3 本文的工作 | 第12-15页 |
| 1.3.1 本文的主要研究内容 | 第12-13页 |
| 1.3.2 论文的主要架构 | 第13-15页 |
| 第二章 图像预处理 | 第15-23页 |
| 2.1 灰度变换 | 第15-16页 |
| 2.1.1 线性变换 | 第15页 |
| 2.1.2 分段线性变换 | 第15-16页 |
| 2.2 图像增强 | 第16-17页 |
| 2.3 图像去噪 | 第17-20页 |
| 2.3.1 小波阈值去噪 | 第18-19页 |
| 2.3.2 基于PDE的图像去噪 | 第19-20页 |
| 2.3.3 全变分（TV）图像去噪 | 第20页 |
| 2.4 主动轮廓模型 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第三章 基于图像的人脸特征提取 | 第23-40页 |
| 3.1 人脸图像检测 | 第23-27页 |
| 3.1.1 基于OpenCV的人脸检测 | 第23页 |
| 3.1.2 基于肤色检测的人脸精确定位 | 第23-26页 |
| 3.1.3 人脸存在性检测 | 第26-27页 |
| 3.2 主动形状模型 | 第27-38页 |
| 3.2.1 ASM训练 | 第28-30页 |
| 3.2.2 灰度模型 | 第30-31页 |
| 3.2.3 人眼精确定位 | 第31-33页 |
| 3.2.4 ASM搜索 | 第33-35页 |
| 3.2.5 定位效果 | 第35-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 发型分类 | 第40-60页 |
| 4.1 轮廓提取 | 第40-45页 |
| 4.1.1 基于改进能量模型的轮廓提取 | 第40-43页 |
| 4.1.2 分割效果 | 第43-45页 |
| 4.2 主成分分析 | 第45-47页 |
| 4.3 支持向量机 | 第47-53页 |
| 4.3.1 最佳分割超平面 | 第48-49页 |
| 4.3.2 线性可分支持向量机 | 第49-51页 |
| 4.3.3 非线性可分支持向量机 | 第51-52页 |
| 4.3.4 分类实验数据对比 | 第52-53页 |
| 4.4 正面发型分类 | 第53-54页 |
| 4.5 侧面发型分类 | 第54-59页 |
| 4.5.1 头发区域分割 | 第54-55页 |
| 4.5.2 侧面发型分类的实现 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结和展望 | 第60-63页 |
| 5.1 研究情况总结 | 第60-61页 |
| 5.2 研究工作展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
