人臉識(shí)別與人體動(dòng)作識(shí)別技術(shù)及應(yīng)用

第1章 緒論 1
1．1 人臉識(shí)別技術(shù)的研究與應(yīng)用 1
1．1．1 國(guó)內(nèi)外人臉庫(kù)介紹 2
1．1．2 國(guó)內(nèi)外研究現(xiàn)狀 2
1．1．3 人臉識(shí)別技術(shù)的難點(diǎn)和發(fā)展趨勢(shì) 3
1．2 人臉圖像超分辨率重建技術(shù)的研究與實(shí)現(xiàn) 4
1．2．1 圖像超分辨率的發(fā)展及國(guó)內(nèi)外研究現(xiàn)狀 8
1．2．2 低分辨率圖像退化模型 10
1．3 空間角度的人體行為識(shí)別介紹 11
1．3．1 國(guó)內(nèi)外研究現(xiàn)狀 13
1．3．2 人體行為視頻數(shù)據(jù)庫(kù) 14
本章參考文獻(xiàn) 17
第2章 人臉圖像配準(zhǔn)和人臉檢測(cè)跟蹤 21
2．1 人臉配準(zhǔn)簡(jiǎn)介 21
2．1．1 3D人臉配準(zhǔn)簡(jiǎn)介 22
2．1．2 數(shù)據(jù)庫(kù)簡(jiǎn)介 22
2．2 3D人臉配準(zhǔn) 23
2．2．1 獲取紋理圖像 24
2．2．2 檢測(cè)特征點(diǎn) 25
2．2．3 細(xì)化特征點(diǎn)位置 25
2．2．4 特征點(diǎn)模型標(biāo)準(zhǔn)化 27
2．2．5 3D人臉模型配準(zhǔn) 28
2．3 人臉檢測(cè)簡(jiǎn)介與常用算法介紹 30
2．3．1 神經(jīng)網(wǎng)絡(luò) 31
2．3．2 支持向量機(jī)（SVM） 32
2．3．3 AdaBoost算法 32
2．4 Gentle AdaBoost人臉檢測(cè)算法 33
2．4．1 圖像訓(xùn)練預(yù)處理 33
2．4．2 haar特征選擇和積分圖的計(jì)算 34
2．4．3 Gentle AdaBoost算法 35
2．5 實(shí)時(shí)人臉跟蹤 39
2．5．1 均值權(quán)重粒子濾波器 40
2．5．2 人臉檢測(cè)校正策略 41
2．5．3 人臉檢測(cè)和跟蹤實(shí)驗(yàn)結(jié)果分析 42
2．6 本章小結(jié) 45
本章參考文獻(xiàn) 46
第3章 人臉驗(yàn)證和素描人臉識(shí)別 48
3．1 人臉驗(yàn)證簡(jiǎn)介 48
3．2 SIFT匹配算法 50
3．2．1 SIFT算子 50
3．2．2 SIFT匹配 51
3．2．3 SIFT數(shù)量特征匹配分析 52
3．3 SIFT位置特征的人臉驗(yàn)證算法 53
3．4 人臉驗(yàn)證實(shí)驗(yàn)結(jié)果與分析 55
3．4．1 SIFT數(shù)量特征的人臉識(shí)別 56
3．4．2 結(jié)合SIFT位置特征的人臉驗(yàn)證 57
3．4．3 和傳統(tǒng)人臉驗(yàn)證算法的對(duì)比 59
3．5 人臉識(shí)別簡(jiǎn)介 61
3．6 LBP識(shí)別算法 62
3．6．1 LBP基本算子 62
3．6．2 LBP人臉識(shí)別 63
3．6．3 LBP算法分析 64
3．6．4 濾波器分析 65
3．7 結(jié)合LBP和分塊特征的識(shí)別算法 66
3．7．1 訓(xùn)練算法 66
3．7．2 識(shí)別過程 70
3．8 素描人臉識(shí)別實(shí)驗(yàn)結(jié)果和分析 70
3．8．1 訓(xùn)練樣本數(shù)量分析 71
3．8．2 特征數(shù)量對(duì)識(shí)別效果的影響 72
3．8．3 識(shí)別級(jí)別對(duì)識(shí)別結(jié)果的影響 73
3．8．4 和目前已存在算法進(jìn)行比較 74
3．8．5 交叉驗(yàn)證實(shí)驗(yàn) 75
3．9 本章小結(jié) 76
本章參考文獻(xiàn) 76
第4章 Gabor小波在人臉識(shí)別中的應(yīng)用研究 79
4．1 人臉識(shí)別典型方法 80
4．1．1 子空間方法 80
4．1．2 基于連接機(jī)制的人臉識(shí)別方法 80
4．1．3 隱馬爾可夫模型識(shí)別方法 81
4．1．4 基于貝葉斯的人臉識(shí)別方法 81
4．1．5 基于流形的人臉識(shí)別 82
4．2 隱馬爾可夫模型 83
4．2．1 隱馬爾可夫模型介紹 83
4．2．2 隱馬爾可夫模型的三個(gè)基本問題 84
4．2．3 隱馬爾可夫模型算法實(shí)現(xiàn)中的問題 89
4．3 基于Gabor臉和HMM的人臉識(shí)別方法 95
4．3．1 研究背景 95
4．3．2 Gabor小波概述 97
4．3．3 利用Gabor小波進(jìn)行特征提取 100
4．3．4 主元分析降維 103
4．3．5 HMM人臉識(shí)別 104
4．3．6 算法復(fù)雜度分析 107
4．3．7 實(shí)驗(yàn)結(jié)果及分析 109
4．3．8 結(jié)論 117
4．4 基于Gabor小波、ICA和HMM的人臉識(shí)別方法 117
4．4．1 獨(dú)立元分析降維 117
4．4．2 實(shí)驗(yàn)結(jié)果及分析 119
4．4．3 結(jié)論 123
4．5 本章小結(jié) 125
本章參考文獻(xiàn) 127
第5章 人臉圖像超分辨率重建 130
5．1 基于PCA的人臉超分辨率重建 131
5．1．1 PCA算法原理 131
5．1．2 算法流程 131
5．2 全局重建和殘差補(bǔ)償結(jié)合的人臉超分辨率重建 133
5．2．1 人臉超分辨率重建的約束條件 133
5．2．2 全局人臉重建 134
5．2．3 殘差補(bǔ)償 135
5．3 基于分塊PCA的單幀人臉圖像超分辨率重建 136
5．3．1 圖像分塊策略 136
5．3．2 訓(xùn)練庫(kù)生成策略 138
5．3．3 算法流程 139
5．4 本章小結(jié) 142
本章參考文獻(xiàn) 143
第6章 Kinect人體動(dòng)作識(shí)別 144
6．1 基于Kinect骨骼空間幾何角度的動(dòng)作識(shí)別 145
6．1．1 人體骨骼信息獲取 145
6．1．2 骨骼空間角度特征提取 146
6．1．3 多分類支持向量機(jī) 151
6．1．4 訓(xùn)練與識(shí)別結(jié)果分析 153
6．2 基于三維時(shí)空特征的人體行為識(shí)別 157
6．2．1 時(shí)空直方圖特征提取 157
6．2．2 基于圖像顯著性的輪廓特征提取 163
6．2．3 基于SVM的人體行為識(shí)別 166
6．2．4 行為識(shí)別結(jié)果及分析 166
6．3 本章小結(jié) 170
本章參考文獻(xiàn) 170
第7章 Kinect應(yīng)用示例 172
7．1 基于深度信息的手勢(shì)識(shí)別的實(shí)現(xiàn) 172
7．1．1 基于Kinect的深度信息的獲取 173
7．1．2 手部區(qū)域分割 174
7．1．3 手勢(shì)分類 179
7．1．4 實(shí)驗(yàn)結(jié)果 184
7．2 智能小車的設(shè)計(jì)與實(shí)現(xiàn) 190
7．2．1模塊介紹 190
7．2．2 PC端控制程序 194
7．2．3 智能小車制作與控制 195
7．3 本章小結(jié) 197
本章參考文獻(xiàn) 197