| 中文摘要 | 第12-13页 |
| ABSTRACT | 第13-14页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 本文研究的目的、背景及意义 | 第15-16页 |
| 1.2 人脸识别技术的研究现状 | 第16-17页 |
| 1.3 人脸识别技术存在的问题 | 第17-19页 |
| 1.4 本文研究内容及章节安排 | 第19-21页 |
| 第二章 人脸识别方法研究 | 第21-39页 |
| 2.1 图像获取 | 第21-22页 |
| 2.1.1 获取图像的设备 | 第21-22页 |
| 2.2 Kinect传感器基本原理 | 第22-24页 |
| 2.2.1 Kinect的基本功能 | 第22页 |
| 2.2.2 Kinect深度信息的获取原理 | 第22-23页 |
| 2.2.3 深度数据的计算 | 第23-24页 |
| 2.3 人脸检测经典方法 | 第24-26页 |
| 2.3.1 Viola-Jones人脸检测算法 | 第24-25页 |
| 2.3.2 基于神经网络的方法 | 第25-26页 |
| 2.4 特征提取方法 | 第26-32页 |
| 2.4.1 使用积分图计算特征值 | 第26-27页 |
| 2.4.2 原始的LBP算法 | 第27-28页 |
| 2.4.3 改进的LBP算子 | 第28-29页 |
| 2.4.4 LDA表征人脸方法 | 第29-30页 |
| 2.4.5 特征脸方法 | 第30-32页 |
| 2.5 图像分类方法 | 第32-37页 |
| 2.5.1 K-Means聚类算法 | 第32-33页 |
| 2.5.2 AdaBoost分类算法 | 第33-34页 |
| 2.5.3 Support Vector Machine方法 | 第34-36页 |
| 2.5.4 随机森林分类算法 | 第36-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于RGB-D的人脸识别方法 | 第39-47页 |
| 3.1 人脸区域分割 | 第39-41页 |
| 3.1.1 背景分割 | 第39-40页 |
| 3.1.2 人脸检测和估计 | 第40页 |
| 3.1.3 人脸区域裁剪 | 第40-41页 |
| 3.2 头部姿势估计 | 第41页 |
| 3.3 图像集聚类为子集和特征表示 | 第41-43页 |
| 3.3.1 头部姿势的矩阵表示和k-means集群分集 | 第41-42页 |
| 3.3.2 人脸图像的特征表示 | 第42-43页 |
| 3.4 训练单独的SVM模型 | 第43-46页 |
| 3.4.1 SVM定义 | 第43-44页 |
| 3.4.2 黎曼核函数 | 第44页 |
| 3.4.3 融合子图像集结果 | 第44-45页 |
| 3.4.4 融合RGB与D（深度）的结果 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于RGB-D人脸识别实验分析 | 第47-53页 |
| 4.1 Kinect人脸数据库 | 第47页 |
| 4.2 特征提取实验结果分析 | 第47-50页 |
| 4.2.1 统一化LBP特征图 | 第47-48页 |
| 4.2.2 统一化LBP直方图特征表示 | 第48-49页 |
| 4.2.3 分类实验结果 | 第49-50页 |
| 4.3 未随机分为图像子集实验结果 | 第50页 |
| 4.4 随机分成图像子集的实验结果 | 第50-51页 |
| 4.5 头部姿势估计实验结果 | 第51页 |
| 4.6 预处理对性能的影响 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 5.1 本文的工作与总结 | 第53页 |
| 5.2 有待研究的问题及展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 个人简况及联系方式 | 第61-62页 |