声明
摘要
第1章 绪论
1.1 课题研究背景、目的和意义
1.2 人脸识别概述
1.2.1 人脸识别研究的历史与现状
1.2.2 人脸识别的主要技术方法
1.3 人脸面部特征配准概述
1.3.1 人脸面部特征配准研究历史与现状
1.3.2 人脸面部特征配准主要技术方法
1.4 人脸比对概述
1.4.1 人脸比对实际商业系统
1.4.2 人脸比对应用
1.5 本论文的主要研究内容和安排
第2章 人脸检测与人脸图像预处理
2.1 人脸检测主要研究方法
2.2 基于AdaBoost人脸检测方法
2.2.1 AdaBoost算法
2.2.2 弱分类器与强分类器
2.2.3 AdaBoost级联检测器
2.3 Haar_like特征与LBP特征
2.3.1 haar-Like特征
2.3.2 LBP特征
2.4 人脸检测后图像的一些处理
2.4.1 图像的几何归一化处理
2.4.2 图像的灰度变换
2.5 实验结果分析与讨论
2.5.1 样本的选取
2.5.2 两种方法的性能分析
2.6 本章小结
第3章 基于显式形状回归的人脸配准
3.1 预备知识
3.1.1 人脸面部特征点
3.1.2 常用人脸配准数据集
3.2 基于显式形状回归的人脸特征配准
3.2.1 两级boosted回归
3.2.2 形状索引特征
3.2.3 基于相关性的特征选择
3.2.4 基于显式形状回归的人脸特征配准具体实现
3.3 实验结果分析与讨论
3.3.1 实验配置
3.3.2 实验数据准备
3.3.3 不同数据库中的性能对比
3.3.4 不同数据库人脸配准效果
3.4 本章小结
第4章 基于不变性变换主成分分析的人脸配准
4.1 反向合成算法
4.1.1 L-K算法(Lucas-Kanade algorithm)
4.1.2 反向合成算法(Inverse compositional algorithm)
4.2 主成分分析算法
4.2.1 K-L变换(Karhunen-Loeve Transform)
4.2.2 用于人脸识别领域的主成分分析
4.3 基于不变性变换PCA的人脸配准
4.3.1 算法原理
4.3.2 基于不变性变换PCA的人脸图像配准
4.4 实验结果分析与讨论
4.4.1 样本数据准备
4.4.2 人脸配准效果实验
4.4.3 人脸识别实验
4.5 本章小结
第5章 基于联合度量的人脸比对
5.1 相似度度量概述
5.2 KISSME度量学习
5.3 联合相似度度量学习
5.3.1 所提出的相似度度量
5.3.2 从相似样本对中联合学习A和B
5.3.3 数据预处理
5.4 实验结果分析与讨论
5.4.1 数据集和参数设置
5.4.2 不同数据集上的性能测试
5.5 人脸比对系统设计与实现
5.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢