人臉圖像信息處理與識別技術(shù)

第1章 人臉圖像信息處理技術(shù)
1.1 概述
1.1.1 人臉圖像信息處理與識別系統(tǒng)典型結(jié)構(gòu)
1.1.2 人臉圖像信息處理技術(shù)的研究內(nèi)容
1.1.3 人臉圖像信息處理技術(shù)應(yīng)用
1.1.4 人臉圖像信息處理基本方法
1.2 本書的組織
本章參考文獻
第2章 人臉圖像分形編碼壓縮算法
2.1 數(shù)字圖像壓縮技術(shù)
2.1.1 目前主要的圖像壓縮編碼標準
2.1.2 分形圖像壓縮方法及發(fā)展現(xiàn)狀
2.2 分形圖像編碼的基本理論
2.2.1 分形壓縮編碼的基本概念
2.2.2 分形壓縮編碼的數(shù)學基礎(chǔ)
2.2.3 迭代函數(shù)系統(tǒng)理論
2.2.4 基于迭代變換理論的分形編碼方法
2.3 分形圖像編碼方法
2.3.1 Jacquin的分形圖像編碼算法
2.3.2 Fisher的自適應(yīng)四叉樹分形圖像編碼算法
2.4 基于小波變換的分形編碼算法
2.4.1 小波理論
2.4.2 基于小波變換的圖像分形編碼算法
2.5 人臉圖像分形編碼算法實驗結(jié)果
2.5.1 三種分形編碼算法的性能比較
2.5.2 基于小波變換的人臉圖像四叉樹分形編碼
本章參考文獻
第3章 人臉的檢測與定位
3.1 人臉圖像獲取與預處理
3.1.1 圖像變換增強
3.1.2 直方圖均衡法
3.1.3 非線性平滑濾波
3.1.4 人臉圖像的歸一化
3.2 人臉檢測與定位基本方法
3.2.1 基于知識的方法
3.2.2 基于模板匹配的方法
3.2.3 基于外觀形狀的方法
3.2.4 基于特征的方法
3.3 基于膚色檢測的人臉定位算法
3.3.1 人臉檢測算法流程
3.3.2 彩色空間及其轉(zhuǎn)換
3.3.3 膚色模型的建立及膚色的提取
3.3.4 鄰域濾波噪聲消除算法
3.3.5 基于邊緣檢測的膚色區(qū)域分割
3.3.6 人臉區(qū)域粗分割
3.3.7 基于雙眼確認的人臉區(qū)域定位
3.4 基于膚色檢測的人臉定位算法實驗結(jié)果
本章參考文獻
第4章 基于模型的人臉描述與編碼
4.1 計算機視覺中的統(tǒng)計模型
4.1.1 構(gòu)造可變模型研究問題的必要性
4.1.2 基于統(tǒng)計模型的特點
4.1.3 統(tǒng)計形狀模型的理論基礎(chǔ)和建立
4.1.4 選擇適當?shù)臉硕c
4.1.5 變化形狀的建模
4.1.6 統(tǒng)計模型的匹配
4.1.7 統(tǒng)計模型的測試
4.1.8 估計形狀向量的分布
4.2 基于統(tǒng)計形狀模型的圖像解釋
4.3 主動形狀模型
4.3.1 標定訓練集
4.3.2 訓練集的標準化
4.3.3 提取統(tǒng)計信息并建立統(tǒng)計模型
4.3.4 灰度外觀模型的建立
4.4 點分布模型在圖像搜索中的應(yīng)用
4.4.1 初始估計值
4.4.2 最佳的位移距離的確定
4.4.3 形狀和姿態(tài)參數(shù)的確定
4.4.4 形狀和姿態(tài)參數(shù)的更新
4.5 加權(quán)主動形狀模型
4.5.1 評價信息
4.5.2 形狀子空間的加權(quán)投影
4.5.3 調(diào)整加權(quán)矩陣
4.5.4 WASM搜索過程
4.5.5 實驗結(jié)果
4.6 主動外觀模型
4.6.1 形狀無關(guān)圖像的統(tǒng)計分析
4.6.2 形狀無關(guān)紋理統(tǒng)計模型的計算
4.6.3 AAM模型的建模
4.6.4 實驗結(jié)果
本章參考文獻
第5章 多視角人臉圖像處理與識別方法
5.1 核主元分析技術(shù)
5.1.1 人臉圖像特征提取
5.1.2 KPCA的基本概念
5.1.3 KPCA人臉識別流程
5.1.4 奇異值分解定理
5.2 觀察子空間學習理論
5.2.1 無監(jiān)督ISA觀察子空間學習
5.2.2 有監(jiān)督ISA觀察子空間學習
5.3 核空間基于支持向量機的模式分類器
5.4 基于觀察子空間的人臉圖像姿態(tài)估計與人臉檢測
5.4.1 基于觀察子空間的人臉圖像姿態(tài)估計
5.4.2 多姿態(tài)人臉檢測
5.5 人工神經(jīng)網(wǎng)絡(luò)分類器
5.5.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
5.5.2 BP神經(jīng)網(wǎng)絡(luò)
5.6 基于KPCA和BP神經(jīng)網(wǎng)絡(luò)的多視角人臉識別
5.6.1 人臉圖像預處理
5.6.2 KPCA特征提取
5.6.3 BP神經(jīng)網(wǎng)絡(luò)分類
本章參考文獻
第6章 基于小波分析的人臉特征提取與識別技術(shù)
6.1 小波分析的基本概念
6.1.1 小波變換的多分辨率分析
6.1.2 二維離散小波變換
6.2 Mallat算法
6.2.1 一維信號的Mallat算法
6.2.2 二維信號的Mallat算法
6.2.3 小波變換實例
6.3 基于小波分析的人臉特征提取與識別
6.3.1 特征提取
6.3.2 識別算法
6.4 實驗結(jié)果及討論
6.4.1 小波分解層數(shù)的確定
6.4.2 網(wǎng)格數(shù)的確定
6.4.3 小波函數(shù)的選取
6.4.4 訓練圖像數(shù)目對識別率的影響
6.4.5 支持向量機核函數(shù)的選擇
6.4.6 實驗結(jié)果
本章參考文獻
第7章 基于視覺聯(lián)想的人臉識別技術(shù)
7.1 協(xié)同計算的基本概念
7.1.1 協(xié)同學原理：一種聯(lián)系宏觀特征與微觀狀態(tài)的非線性系統(tǒng)模型
7.1.2 廣義協(xié)同計算
7.1.3 視覺計算的系統(tǒng)結(jié)構(gòu)
7.2 序化動力系統(tǒng)數(shù)學模型
7.3 序化動力系統(tǒng)模型的神經(jīng)網(wǎng)絡(luò)實現(xiàn)
7.4 基于協(xié)同神經(jīng)網(wǎng)絡(luò)的視覺信息聯(lián)想記憶算法
7.4.1 視覺信息聯(lián)想記憶的實現(xiàn)方案
7.4.2 基于ODSM模型的視覺信息聯(lián)想算法
7.5 ODSM模型的并行計算結(jié)構(gòu)及其硬件實現(xiàn)
7.5.1 Cannon分塊矩陣計算方法及其實現(xiàn)
7.5.2 序參量初始值的硬件計算和狀態(tài)輸出部件
7.5.3 競爭層的硬件計算部件
7.5.4 仿真結(jié)果及其性能分析
7.6 梯度動力學協(xié)同神經(jīng)網(wǎng)絡(luò)學習算法
7.6.1 標準原形模式學習算法
7.6.2 基于梯度動力學的協(xié)同神經(jīng)網(wǎng)絡(luò)學習算法
7.6.3 改進的梯度動力學的協(xié)同神經(jīng)網(wǎng)絡(luò)學習算法
7.6.4 新模式擴展學習算法
7.7 基于子波域旋轉(zhuǎn)不變特征的協(xié)同神經(jīng)網(wǎng)絡(luò)人像識別
7.7.1 基于小波變換的旋轉(zhuǎn)不變性特征向量
7.7.2 協(xié)同神經(jīng)網(wǎng)絡(luò)人像識別算法
7.7.3 實驗結(jié)果
本章參考文獻
第8章 人臉表情分析與識別技術(shù)
8.1 人臉表情識別方法研究現(xiàn)狀
8.2 人臉表情識別技術(shù)
8.2.1 人臉表情識別系統(tǒng)框架
8.2.2 表情區(qū)域定位方法比較
8.2.3 表情特征提取方法分類
8.2.4 表情識別方法分類
8.2.5 人臉表情識別技術(shù)的難點
8.3 小波變換與PCA/LDA相結(jié)合的表情識別算法
8.3.1 二維離散小波
8.3.2 PCA/LDA Fisher判別分析
8.3.3 最近鄰分類
8.3.4 實驗結(jié)果
8.4 基于Gabor變換的表情特征提取
8.4.1 小波變換概述
8.4.2 基于Gabor小波變換的特征提取
8.4.3 人臉表情圖片的預處理
8.4.4 K近鄰分類
8.4.5 實驗結(jié)果
本章參考文獻
第9章 視頻序列中的表情分析與表情綜合
9.1 人臉建模與人臉表情合成技術(shù)
9.1.1 人臉建模技術(shù)
9.1.2 人臉表情合成技術(shù)
9.2 圖像的預處理
9.2.1 尺寸歸一化處理
9.2.2 人臉圖像的旋轉(zhuǎn)
9.2.3 人臉圖像的比例裁剪與縮放
9.2.4 光照補償處理
9.3 基于MPEG-4的人臉表情轉(zhuǎn)換
9.3.1 MPEG-4中人臉動畫標準簡介
9.3.2 MPEG-4中人臉表情參數(shù)化
9.3.3 MPEG-4中人臉動畫控制數(shù)據(jù)的獲取方法
9.3.4 MPEG-4的標準人臉模型動畫實現(xiàn)方法
9.4 真實感細微表情的合成
9.4.1 表情比例圖的原理
9.4.2 局部表情比例圖
9.4.3 局部表情的金字塔分解與重構(gòu)
9.4.4 面向FAP的PERI參數(shù)化方法
9.5 展望
本章參考文獻