復(fù)雜環(huán)境非約束圖像人臉分析和場景識別

目錄
第1章 緒論 1
1.1 為什么要做圖像識別 1
1.2 復(fù)雜環(huán)境非約束圖像人臉識別 2
1.2.1 復(fù)雜環(huán)境人臉識別技術(shù) 4
1.2.2 復(fù)雜環(huán)境人臉識別面臨的挑戰(zhàn) 7
1.3 復(fù)雜環(huán)境高分辨率遙感影像場景識別 9
1.3.1 復(fù)雜環(huán)境的遙感影像場景識別技術(shù) 10
1.3.2 高分辨率遙感影像場景識別面臨的挑戰(zhàn) 12
1.4 相關(guān)數(shù)據(jù)集 13
1.4.1 人臉圖像數(shù)據(jù)集 13
1.4.2 遙感場景圖像數(shù)據(jù)集 14
1.5 本書內(nèi)容 16
第2章 非約束環(huán)境下的人臉特征點精確定位 18
2.1 引言 18
2.2 基于CI-RF的非約束人臉特征點精確定位 19
2.2.1 方法概述 19
2.2.2 人臉正/負(fù)子區(qū)域分類 20
2.2.3 初始化人臉特征定位 21
2.2.4 非約束人臉特征精確定位 24
2.2.5 條件權(quán)重稀疏投票 25
2.3 實驗和分析 26
2.3.1 實驗參數(shù)設(shè)置 26
2.3.2 CI-RF中多概率模型分析和特征分析 28
2.3.3 基于CI-RF人臉特征點精確定位分析 30
2.3.4 與經(jīng)典方法的比較 31
第3章 自然場景中的頭部姿態(tài)估計 34
3.1 引言 34
3.2 RF算法 35
3.3 基于D-RF的頭部姿態(tài)估計 37
3.3.1 D-RF的訓(xùn)練 38
3.3.2 水平頭部姿態(tài)估計 41
3.3.3 豎直頭部姿態(tài)估計 41
3.4 D-RF的多層概率模型 42
3.5 實驗和分析 43
3.5.1 訓(xùn)練 44
3.5.2 測試 45
3.5.3 平均準(zhǔn)確率比較和分析 46
3.5.4 D-RF的級聯(lián)層數(shù)分析 46
3.5.5 相關(guān)算法的比較 47
3.5.6 運行時間的比較 47
3.5.7 魯棒性分析 48
第4章 多視角自發(fā)表情識別 49
4.1 引言 49
4.2 M-DNF的自發(fā)表情識別 51
4.2.1 方法概述 51
4.2.2 深度遷移表情特征提取 52
4.2.3 多視角網(wǎng)絡(luò)增強森林 52
4.2.4 多視角估計 54
4.2.5 多視角條件概率和自發(fā)表情識別 55
4.3 實驗和分析 55
4.3.1 實驗參數(shù)設(shè)置 55
4.3.2 CK+數(shù)據(jù)集的實驗分析 56
4.3.3 BU-3DFE多視角表情數(shù)據(jù)集的實驗分析 58
4.3.4 LFW自然環(huán)境中表情數(shù)據(jù)集的實驗分析 60
4.3.5 不同方法時間效率的比較 61
第5章 多尺度高分辨率遙感影像場景分類 62
5.1 引言 62
5.2 JMCNN網(wǎng)絡(luò)結(jié)構(gòu) 63
5.2.1 多通道卷積特征提取 64
5.2.2 多尺度特征聯(lián)合 65
5.2.3 Softmax分類器及損失函數(shù) 66
5.3 多尺度高分辨率遙感影像場景分類 67
5.3.1 遙感影像數(shù)據(jù)預(yù)處理 67
5.3.2 遙感影像場景分類 67
5.4 實驗和分析 69
5.4.1 實驗參數(shù)設(shè)置 69
5.4.2 實驗1UCM數(shù)據(jù)集場景識別 70
5.4.3 實驗2SIRI數(shù)據(jù)集場景分類實驗 73
5.4.4 實驗3USGS大幅影像場景標(biāo)注 74
第6章 多特征融合的復(fù)雜遙感場景識別 76
6.1 引言 76
6.2 原理方法 77
6.2.1 CNN模型 78
6.2.2 VGG-19特征提取器 80
6.2.3 局部特征的表達(dá) 80
6.2.4 全局特征的提取 83
6.2.5 融合特征的提取及分類 83
6.3 實驗和分析 84
6.3.1 實驗參數(shù)設(shè)置 84
6.3.2 卷積層特征表達(dá)能力分析 84
6.3.3 GLDFB實驗結(jié)果及分析 87
6.3.4 遷移實驗 91
參考文獻(xiàn) 92
編后記 99