| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景和研究意义 | 第8-9页 |
| 1.2 三维人脸建模算法研究现状 | 第9-10页 |
| 1.3 本文工作内容及特点 | 第10-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 相关工作研究 | 第14-23页 |
| 2.1 人脸的统计形状模型和人脸在视频图像中的定位 | 第14-17页 |
| 2.1.1 人脸的统计形状模型 | 第14-15页 |
| 2.1.2 人脸在视频图像中的定位 | 第15-17页 |
| 2.2 现有方法介绍 | 第17-22页 |
| 2.2.1 基于数据驱动方法 | 第17-18页 |
| 2.2.2 基于三维变形人脸模型拟合的算法 | 第18-20页 |
| 2.2.3 基于立体视觉的方法 | 第20-21页 |
| 2.2.4 基于深度学习的方法 | 第21-22页 |
| 2.3 三维人脸数据库 | 第22-23页 |
| 第三章 基于不同区域粒度的CANDIDE-3人脸模型细分算法 | 第23-36页 |
| 3.1 CANDIDE-3网格模型的细分算法设计 | 第23-24页 |
| 3.2 基于CANDIDE-3模型的人脸特征点定义 | 第24-27页 |
| 3.3 CANDIDE-3人脸模型的形变区域划分 | 第27-29页 |
| 3.3.1 Candide-3模型与面部动作编码系统(FACS) | 第27页 |
| 3.3.2 Candide-3人脸模型形变区域划分结果 | 第27-29页 |
| 3.4 基于不同区域粒度的CANDIDE-3模型细分算法 | 第29-34页 |
| 3.4.1 Candide-3模型主要的形变区域细分算法 | 第29-30页 |
| 3.4.2 Candide-3模型高频的形变区域细分算法 | 第30-32页 |
| 3.4.3 Candide-3模型细分算法结果 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于表情分类与特征点提取的人脸建模算法 | 第36-50页 |
| 4.1 二维图像中人脸特征提取研究 | 第36-38页 |
| 4.2 表情分类算法设计 | 第38-43页 |
| 4.2.1 人脸数据库的准备 | 第38-42页 |
| 4.2.2 训练表情分类模型 | 第42-43页 |
| 4.2.3 视频图像中人脸的表情分类结果 | 第43页 |
| 4.3 人脸动画建模系统的实现 | 第43-49页 |
| 4.3.1 人脸动画建模系统总体设计 | 第43-45页 |
| 4.3.2 依据表情分类信息调用Candide-3表情模型 | 第45-47页 |
| 4.3.3 依据特征点信息对Candide-3模型进行形变 | 第47页 |
| 4.3.4 对人脸模型进行纹理映射 | 第47-48页 |
| 4.3.5 人脸动画建模系统 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验结果以及对比分析 | 第50-61页 |
| 5.1 实验环境 | 第50页 |
| 5.2 实验结果与对比分析 | 第50-58页 |
| 5.2.1 实验结果 | 第50-54页 |
| 5.2.2 对比试验与分析 | 第54-58页 |
| 5.3 实验结果分析与小结 | 第58-61页 |
| 第六章 结论与展望 | 第61-62页 |
| 6.1 主要研究结论 | 第61页 |
| 6.2 应用场景与改进方向 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 申请学位期间的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
