第1章 人臉圖像信息處理技術 (1)
1.1 概述 (1)
1.1.1 人臉圖像信息處理與識彆係統典型結構 (2)
1.1.2 人臉圖像信息處理技術的研究內容 (4)
1.1.3 人臉圖像信息處理技術應用 (5)
1.1.4 人臉圖像信息處理基本方法 (5)
1.2 本書的組織 (6)
本章參考文獻 (7)
第2章 人臉圖像分形編碼壓縮算法 (9)
2.1 數字圖像壓縮技術 (9)
2.1.1 目前主要的圖像壓縮編碼標準 (10)
2.1.2 分形圖像壓縮方法及發展現狀 (12)
2.2 分形圖像編碼的基本理論 (14)
2.2.1 分形壓縮編碼的基本概念 (15)
2.2.2 分形壓縮編碼的數學基礎 (15)
2.2.3 迭代函數係統理論 (18)
2.2.4 基於迭代變換理論的分形編碼方法 (21)
2.3 分形圖像編碼方法 (24)
2.3.1 Jacquin的分形圖像編碼算法 (24)
2.3.2 Fisher的自適應四叉樹分形圖像編碼算法 (27)
2.4 基於小波變換的分形編碼算法 (29)
2.4.1 小波理論 (29)
2.4.2 基於小波變換的圖像分形編碼算法 (33)
2.5 人臉圖像分形編碼算法實驗結果 (36)
2.5.1 三種分形編碼算法的性能比較 (36)
2.5.2 基於小波變換的人臉圖像四叉樹分形編碼 (37)
本章參考文獻 (42)
第3章 人臉的檢測與定位 (44)
3.1 人臉圖像獲取與預處理 (44)
3.1.1 圖像變換增強 (44)
3.1.2 直方圖均衡法 (45)
3.1.3 非綫性平滑濾波 (46)
3.1.4 人臉圖像的歸一化 (46)
3.2 人臉檢測與定位基本方法 (46)
3.2.1 基於知識的方法 (46)
3.2.2 基於模闆匹配的方法 (47)
3.2.3 基於外觀形狀的方法 (47)
3.2.4 基於特徵的方法 (47)
3.3 基於膚色檢測的人臉定位算法 (47)
3.3.1 人臉檢測算法流程 (47)
3.3.2 彩色空間及其轉換 (48)
3.3.3 膚色模型的建立及膚色的提取 (52)
3.3.4 鄰域濾波噪聲消除算法 (52)
3.3.5 基於邊緣檢測的膚色區域分割 (55)
3.3.6 人臉區域粗分割 (57)
3.3.7 基於雙眼確認的人臉區域定位 (58)
3.4 基於膚色檢測的人臉定位算法實驗結果 (59)
本章參考文獻 (61)
第4章 基於模型的人臉描述與編碼 (63)
4.1 計算機視覺中的統計模型 (65)
4.1.1 構造可變模型研究問題的必要性 (65)
4.1.2 基於統計模型的特點 (66)
4.1.3 統計形狀模型的理論基礎和建立 (66)
4.1.4 選擇適當的標定點 (67)
4.1.5 變化形狀的建模 (67)
4.1.6 統計模型的匹配 (69)
4.1.7 統計模型的測試 (70)
4.1.8 估計形狀嚮量的分布 (70)
4.2 基於統計形狀模型的圖像解釋 (71)
4.3 主動形狀模型 (72)
4.3.1 標定訓練集 (73)
4.3.2 訓練集的標準化 (74)
4.3.3 提取統計信息並建立統計模型 (77)
4.3.4 灰度外觀模型的建立 (80)
4.4 點分布模型在圖像搜索中的應用 (81)
4.4.1 初始估計值 (82)
4.4.2 最佳的位移距離的確定 (82)
4.4.3 形狀和姿態參數的確定 (83)
4.4.4 形狀和姿態參數的更新 (84)
4.5 加權主動形狀模型 (85)
4.5.1 評價信息 (86)
4.5.2 形狀子空間的加權投影 (87)
4.5.3 調整加權矩陣 (88)
4.5.4 WASM搜索過程 (89)
4.5.5 實驗結果 (90)
4.6 主動外觀模型 (91)
4.6.1 形狀無關圖像的統計分析 (91)
4.6.2 形狀無關紋理統計模型的計算 (93)
4.6.3 AAM模型的建模 (94)
4.6.4 實驗結果 (96)
本章參考文獻 (97)
第5章 多視角人臉圖像處理與識彆方法 (100)
5.1 核主元分析技術 (100)
5.1.1 人臉圖像特徵提取 (101)
5.1.2 KPCA的基本概念 (102)
5.1.3 KPCA人臉識彆流程 (105)
5.1.4 奇異值分解定理 (107)
5.2 觀察子空間學習理論 (108)
5.2.1 無監督ISA觀察子空間學習 (109)
5.2.2 有監督ISA觀察子空間學習 (109)
5.3 核空間基於支持嚮量機的模式分類器 (113)
5.4 基於觀察子空間的人臉圖像姿態估計與人臉檢測 (113)
5.4.1 基於觀察子空間的人臉圖像姿態估計 (114)
5.4.2 多姿態人臉檢測 (117)
5.5 人工神經網絡分類器 (118)
5.5.1 人工神經網絡的基本概念 (118)
5.5.2 BP神經網絡 (120)
5.6 基於KPCA和BP神經網絡的多視角人臉識彆 (122)
5.6.1 人臉圖像預處理 (123)
5.6.2 KPCA特徵提取 (128)
5.6.3 BP神經網絡分類 (129)
本章參考文獻 (131)
第6章 基於小波分析的人臉特徵提取與識彆技術 (134)
6.1 小波分析的基本概念 (134)
6.1.1 小波變換的多分辨率分析 (136)
6.1.2 二維離散小波變換 (137)
6.2 Mallat算法 (138)
6.2.1 一維信號的Mallat算法 (138)
6.2.2 二維信號的Mallat算法 (140)
6.2.3 小波變換實例 (141)
6.3 基於小波分析的人臉特徵提取與識彆 (141)
6.3.1 特徵提取 (141)
6.3.2 識彆算法 (145)
6.4 實驗結果及討論 (146)
6.4.1 小波分解層數的確定 (146)
6.4.2 網格數的確定 (147)
6.4.3 小波函數的選取 (148)
6.4.4 訓練圖像數目對識彆率的影響 (149)
6.4.5 支持嚮量機核函數的選擇 (149)
6.4.6 實驗結果 (150)
本章參考文獻 (150)
第7章 基於視覺聯想的人臉識彆技術 (153)
7.1 協同計算的基本概念 (154)
7.1.1 協同學原理：一種聯係宏觀特徵與微觀狀態的非綫性係統模型 (155)
7.1.2 廣義協同計算 (157)
7.1.3 視覺計算的係統結構 (157)
7.2 序化動力係統數學模型 (158)
7.3 序化動力係統模型的神經網絡實現 (161)
7.4 基於協同神經網絡的視覺信息聯想記憶算法 (162)
7.4.1 視覺信息聯想記憶的實現方案 (163)
7.4.2 基於ODSM模型的視覺信息聯想算法 (163)
7.5 ODSM模型的並行計算結構及其硬件實現 (165)
7.5.1 Cannon分塊矩陣計算方法及其實現 (165)
7.5.2 序參量初始值的硬件計算和狀態輸齣部件 (166)
7.5.3 競爭層的硬件計算部件 (166)
7.5.4 仿真結果及其性能分析 (166)
7.6 梯度動力學協同神經網絡學習算法 (170)
7.6.1 標準原形模式學習算法 (170)
7.6.2 基於梯度動力學的協同神經網絡學習算法 (171)
7.6.3 改進的梯度動力學的協同神經網絡學習算法 (171)
7.6.4 新模式擴展學習算法 (172)
7.7 基於子波域鏇轉不變特徵的協同神經網絡人像識彆 (174)
7.7.1 基於小波變換的鏇轉不變性特徵嚮量 (174)
7.7.2 協同神經網絡人像識彆算法 (175)
7.7.3 實驗結果 (177)
本章參考文獻 (181)
第8章 人臉錶情分析與識彆技術 (183)
8.1 人臉錶情識彆方法研究現狀 (184)
8.2 人臉錶情識彆技術 (185)
8.2.1 人臉錶情識彆係統框架 (185)
8.2.2 錶情區域定位方法比較 (186)
8.2.3 錶情特徵提取方法分類 (188)
8.2.4 錶情識彆方法分類 (189)
8.2.5 人臉錶情識彆技術的難點 (190)
8.3 小波變換與PCA/LDA相結閤的錶情識彆算法 (191)
8.3.1 二維離散小波 (191)
8.3.2 PCA/LDA Fisher判彆分析 (192)
8.3.3 最近鄰分類 (193)
8.3.4 實驗結果 (194)
8.4 基於Gabor變換的錶情特徵提取 (195)
8.4.1 小波變換概述 (195)
8.4.2 基於Gabor小波變換的特徵提取 (196)
8.4.3 人臉錶情圖片的預處理 (197)
8.4.4 K近鄰分類 (197)
8.4.5 實驗結果 (198)
本章參考文獻 (200)
第9章 視頻序列中的錶情分析與錶情綜閤 (202)
9.1 人臉建模與人臉錶情閤成技術 (204)
9.1.1 人臉建模技術 (204)
9.1.2 人臉錶情閤成技術 (206)
9.2 圖像的預處理 (208)
9.2.1 尺寸歸一化處理 (208)
9.2.2 人臉圖像的鏇轉 (208)
9.2.3 人臉圖像的比例裁剪與縮放 (209)
9.2.4 光照補償處理 (209)
9.3 基於MPEG-4的人臉錶情轉換 (213)
9.3.1 MPEG-4中人臉動畫標準簡介 (214)
9.3.2 MPEG-4中人臉錶情參數化 (214)
9.3.3 MPEG-4中人臉動畫控製數據的獲取方法 (217)
9.3.4 MPEG-4的標準人臉模型動畫實現方法 (219)
9.4 真實感細微錶情的閤成 (225)
9.4.1 錶情比例圖的原理 (225)
9.4.2 局部錶情比例圖 (226)
9.4.3 局部錶情的金字塔分解與重構 (227)
9.4.4 麵嚮FAP的PERI參數化方法 (229)
9.5 展望 (231)
本章參考文獻 (231)
· · · · · · (收起)