首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

人脸面部特征点检测及其在视频监控中的应用

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

论文共95页,点击 下载论文
上一篇:基于虚拟机动态迁移的资源调度策略研究
下一篇:基于流式计算的大规模监控视频分析关键技术研究