摘要 | 第6-8页 |
ABSTRACT | 第8-9页 |
第一章 绪论 | 第12-23页 |
1.1 课题研究的意义和目的 | 第12-15页 |
1.2 国内外研究概况 | 第15-20页 |
1.2.1 基于全局图像的人脸面部特征点检测 | 第17-18页 |
1.2.2 基于形状模型的人脸面部特征点检测 | 第18-20页 |
1.2.3 基于先验知识的人脸面部特征点检测 | 第20页 |
1.3 论文的主要研究内容 | 第20-23页 |
第二章 基于形状模型结合分类器的人脸面部特征点检测 | 第23-42页 |
2.1 形状模型与分类器结合的算法框架 | 第23-24页 |
2.2 形状模型 | 第24-28页 |
2.3 分类器 | 第28-33页 |
2.3.1 Adaboost分类器 | 第29-31页 |
2.3.2 随机森林 | 第31-33页 |
2.4 形状模型与分类器结合的算法 | 第33-34页 |
2.5 实验 | 第34-40页 |
2.5.1 实验数据集 | 第35页 |
2.5.2 实验参数设置 | 第35-36页 |
2.5.3 时间效率对比实验与分析 | 第36页 |
2.5.4 准确率对比实验与分析 | 第36-38页 |
2.5.5 准确率与搜索空间实验分析 | 第38-40页 |
2.6 本章小结 | 第40-42页 |
第三章 基于全局到局部回归模型的人脸面部特征点检测 | 第42-64页 |
3.1 全局到局部显式形状回归算法框架 | 第42-45页 |
3.2 梯度提升决策树 (GBDT) | 第45-46页 |
3.3 全局显式形状回归 | 第46-50页 |
3.4 局部显式形状回归 | 第50-51页 |
3.5 全局到局部的显式形状回归 | 第51-53页 |
3.6 实验 | 第53-63页 |
3.6.1 实验数据集 | 第53-54页 |
3.6.2 实验参数设置 | 第54-55页 |
3.6.3 全局显式形状回归分析 | 第55-56页 |
3.6.4 准确率对比分析 | 第56-58页 |
3.6.5 时间效率分析 | 第58-59页 |
3.6.6 回归量分析 | 第59-62页 |
3.6.7 算法推广与参数择优 | 第62-63页 |
3.7 本章小结 | 第63-64页 |
第四章 人脸面部特征点检测在视频监控中的应用 | 第64-84页 |
4.1 视觉跟踪 | 第64-65页 |
4.2 行人跟踪分析 | 第65-72页 |
4.2.1 基于深度学习的视觉跟踪 | 第65-69页 |
4.2.2 基于核相关性滤波器的视觉跟踪 | 第69-72页 |
4.3 实验 | 第72-76页 |
4.3.1 实验数据集 | 第72-73页 |
4.3.2 实验参数设置 | 第73页 |
4.3.3 实验准确率结果与分析 | 第73-76页 |
4.3.4 时间效率结果与分析 | 第76页 |
4.4 视频检测监控系统 | 第76-83页 |
4.4.1 行人检测 | 第77-79页 |
4.4.2 人脸检测 | 第79页 |
4.4.3 人脸面部特征点检测 | 第79页 |
4.4.4 系统操作与使用 | 第79-83页 |
4.5 本章小结 | 第83-84页 |
第五章 结论与展望 | 第84-87页 |
5.1 结论 | 第84-85页 |
5.2 展望 | 第85-87页 |
参考文献 | 第87-94页 |
作者在攻读硕士学位期间公开发表的论文 | 第94-95页 |
致谢 | 第95页 |