张剑[1]2007年在《基于内容的智能视频监控关键技术及在公共安防中的应用研究》文中研究指明智能视频监控技术能够自动解读监控视频,发现不寻常的事件并进行预警,其中针对可疑人员的行为进行监控是最重要的一类应用,本文就是在这个范畴内展开相关研究。具体说来,本文围绕人体行为监控,以基于学习的方法为主线,研究了视频中的运动检测、动作识别、人脸超分辨率、表情合成及叁维重建技术。本文首先讨论了采用增量式背景建模进行运动检测与提取。提出一种自适应选取权重的机制,根据每一帧中包含的运动信息自动为这一帧选取权重,并用加权的视频帧更新背景模型。本文提供了一种合理的权重表达和自适应的权重计算方法。该方法能够很好地适应场景动态变化,即使在视频中包含复杂背景运动时仍能生成高质量的背景图像,提高了背景建模的鲁棒性。为了对监控视频中出现的人体行为进行自动解读,本文研究了人体动作的自动识别方法,用来识别特定场合中几种具有危害性的异常动作。这是一种基于模板匹配的视点无关的人体动作识别方法。动作模板由子空间中的几个超球构成,集成了多种人体动作在多个视点下的特征,动作识别是通过待识别动作与模板中样例动作之间的相似度匹配实现的。动作超球融合了多视点下的人体运动特征,有利于进行视点无关的人体动作识别;另外基于超球的识别方法在计算效率上要优于传统的κNN算法。监控视频中人脸区域通常很小,辨识度很差,这给主观的人脸识别造成了一定的困难,为此本文提出一种基于样本学习的两阶段人脸超分辨率技术。在第一阶段,采用局部保持幻想算法合成全局的高分辨率人脸图像;在第二阶段,为了补偿全局高分辨率人脸图像的局部细节特征,采用基于邻域重建的图像残差合成技术。本文提出的方法能够根据低分辨率人脸图像合成具有不同视觉效果的高分辨率人脸图像,消除了分辨率过低对人脸识别造成的影响。为了解决人脸表情变化给人脸识别带来的问题,本文先后提出了基于图像的和基于视频的人脸表情合成方法。前者采用特征关联学习算法根据一幅中性表情人脸图像合成具有其它表情的人脸图像;后者是一种结合局部线性和全局非线性子空间分析的两层融合方法,其中局部线性子空间学习采用特征表示技术在时间域对视频样本进行压缩、全局非线性子空间学习在空间域内产生优化的人脸表情。合成的表情比较真实自然,有助于在表情变化时进行人脸识别。为减小监控视频中人脸姿态变化对人脸识别造成的影响,本文先后提出基于图像和视频的叁维人脸重建,为人脸识别提供辅助信息。基于图像的人脸重建采用自适应的局部线性嵌入算法对样本空间进行非参数化采样,并基于采样结果合成特定的叁维人脸模型。通过基于约束的纹理映射合成真实感人脸。基于视频的人脸重建首先在未标定的单目视频首帧自动标注一定数目特征点,然后使用仿射矫正的光流方法对特征点进行鲁棒的跟踪,采用SFM算法恢复相机投影矩阵和特征点叁维坐标,基于人脸特征对一般人脸变形得到个性化人脸模型和表情效果,最后采用动态纹理映射方法合成真实感外观效果。本文为智能视频监控提供了一种总体解决方案,并围绕智能视频监控关键技术展开研究,取得了初步成果。在本文的总结与展望中指出,智能监控领域的许多问题仍然需要深入进行研究探索。
王进[2]2003年在《基于视频的人脸表情建模研究》文中认为虚拟人脸建模和表情动画是当前计算机图形学、计算机视觉和图像处理领域中一个热点研究课题，在视频会议、影视制作、通讯等方面有着广泛的应用；静态图像和动态视频中人脸检测技术在生物认证等领域有着特殊的意义。本文提出了一个视频驱动的人脸动画原型系统，详细介绍了构造该系统所涉及的人脸检测、特征提取、特征跟踪、特定人脸建模、表情动画等方面的技术。在对每个技术细节进行认真分析的基础上，本文对各个主要步骤都分别提出了新的见解和改进。 ※ 提出了一个改进的CANDIDE-4参数化人脸模型。它是MPEG-4的子集，为了通应行为驱动人脸动画设计需要，本文对MPEG-4的FAPs表情行为单元、节点、形状单元进行了改造。 ※ 研讨了基于单幅、两幅、多幅图像的叁种不同的构造特定人脸的方法。利用Shape from Shading的思想和人脸的约束信息实现了基于单幅正面人脸图像的重建；以CANDIDE-4的参数调整为手段实现基于两幅正交图像的人脸模型重建；通过跟踪视频中的特征点，标定相机外参，进而估计特征点的3D位置，实现了基于一段视频中小特征点集的人脸建模算法。 ※ 提出并实现了基于RBF、Harmonic Model插值的两种基于约束的纹理映射算法，可以实现形式化表示的、满足一阶或二阶连续的纹理坐标插值。 ※ 提出一种结合小波分解和ERI的参数化表情纹理细节迁移算法。所给出的算法可以维持源图像的基本属性，保留源图像的特征，迁移表情图像的纹理细节；可以利用FAPs的函数控制表情夸张程度。 ※ 实现了对表情特征的检测和跟踪。论文采用统计训练的思想，选择包括各种表情变化的人脸图像建立样本库，取所有样本与平均图像的差构造一个矩阵，利用主元分析方法进行降维，然后通过独立元分析降低主元相关性，建立了人脸的特征子空间；算法采取对主元进行扰动优化匹配的方法检测人脸，本文称此方法为全局最优的方法。为了提高算法精度，我们还借鉴LFA的思想，提出了一个基于局部特征的分层学习、匹配模型ML-IDAM，得到了更精确的实验结果。
王玉[3]2017年在《基于图像集合和视频序列的视频人脸识别算法研究》文中认为本文以视频人脸识别问题为中心,阐述了视频人脸识别的研究背景及重要意义,从基于关键帧的视频人脸识别方法、基于图像集合的视频人脸识别方法以及基于视频序列的视频人脸识别方法等叁个方面总结了目前主流的视频人脸识别相关技术及方法。在相关理论学习及研究的基础上,以提高算法识别率及识别性能为目标,提出了若干视频人脸识别算法。本文主要工作包括以下叁个方面的研究内容:(1)基于关键帧的视频人脸识别方法存在的主要问题是对关键帧的定义较为模糊,且没有有效利用视频中的上下文信息,而时间和运动信息在基于视频的目标识别中起到了至关重要的作用。同时,传统视频人脸识别方法特征提取较为单一,导致识别率偏低,为了保证算法识别率,通常做法是设计较为复杂的识别过程,这又导致了算法时间开销的增大。针对在低计算复杂度的要求下,如何有效表示视频人脸纹理并进行识别的问题,本文提出了一种基于叁个正交平面上的Gabor局部二值模式空间的人脸纹理描述及相应的识别方法。与传统的从图像的灰度空间统计得到的LBP-TOP特征直方图相比,本文算法通过结合Gabor变换和LBP-TOP算子的独特优势提取出了多角度特征融合的视频人脸纹理特征,另外,采用改进的Fisher加权准则获得人脸不同区域的权值,进一步增强了特征直方图的表示能力。通过在Honda/UCSD视频库进行的相关实验,验证了所提出算法的有效性,同时,该方法对光照变化、表情变化等具有较好的鲁棒性,而且具备较强的可判别能力。该方法的创新点在于能够有效结合时间域、空间域和频率域等多角度特征信息,进行视频人脸的高效描述,识别过程中对特征权重的学习能够保证算法的识别精度,同时该算法具有较低的时间复杂度。(2)基于关键帧的视频人脸识别方法的首要工作就是要确定视频中的代表性帧,而通常情况下,视频中的目标人脸是随机出现的,而且视频环境中会伴随着光照变化、目标姿态变化等干扰因素影响识别性能,这些噪音的存在使得人脸关键帧难以准确定位,导致基于关键帧标识的视频人脸识别方法的识别率普遍偏低。为解决上述问题,本文提出了一种基于加权TPLBP的多示例学习视频人脸识别算法。该算法将视频人脸识别视为一个多示例问题,每个人脸视频作为一个包,将视频中归一化后的人脸帧图像作为包中的示例,采用基于加权的分块TPLBP级联直方图作为示例纹理特征。在训练集合的示例特征空间中,采用多示例学习算法生成分类器,进而实现对测试视频的分类及预测。通过在Honda/UCSD视频库中的相关实验,该算法达到了比较高的识别精度,从而验证了算法的有效性。同时,该方法对均匀光照变化、姿态变化等具有良好的鲁棒性。该算法的创新点在于,通过将视频人脸识别问题视为多示例问题,有效避免了传统方法需要在视频中确定关键帧的问题,TPLBP特征与多示例学习算法的结合也使得该算法在取得较高识别率的同时,对均匀光照变化、目标姿态变化等较为鲁棒。(3)基于图像集合的视频人脸识别方法近年来得到了业界的广泛关注,图像集合相对于单幅图像提供的可辨别信息更为丰富,可以有效提高视频人脸识别算法的识别性能。该类方法涉及到的两个主要问题就是如何对图像集合进行建模和如何对模型之间的关系进行度量。本文从图像集合的角度出发,提出了一种基于核子空间样本选择凸包的视频人脸识别算法。该算法将一个视频人脸视为一个图像集合,通过特征描述算子提取每个人脸图像的特征向量来表示人脸,将特征向量映射到核空间后并进行样本选择,利用选择出的样本建立凸包以获得该人脸视频的图像集合模型,通过度量凸包之间的距离来表示视频对之间的相似度,通过训练集中大量数据的学习后获得分类器,进而实现对测试视频的识别与分类。通过在You Tube Face数据库中的相关实验对比,验证了本算法的识别性能。该算法的创新点在于,对图像集合进行建模的过程中,通过样本选择算法减少了所选样本和其他样本的重建误差,且所选样本呈线性无关,得到了小样本的有效表征类别信息,使得算法精度得到了有效提升。综上所述,本文主要对视频人脸识别问题与方法进行了深入地研究与探讨,并提出了若干视频人脸识别算法,取得了具有一定创新性的研究成果,并对今后视频人脸识别的发展进行了展望。
肖睿[4]2011年在《高维空间模式鉴别分析及多流形学习》文中研究指明模式鉴别分析是模式识别的重要研究方向，如何提取具有鉴别力的特征是模式分类的关键。近年来，流形学习成为机器学习和模式识别领域的热点，其主要目标是寻找嵌入在高维空间中的低维流形。本文针对模式分类中的高维数、小样本、非线性、非结构化等问题，深入探讨了基于流形的降维与鉴别分析的理论和方法，并将流形学习从单流形向多流形拓展。论文的主要工作和贡献体现在以下几个方面:1.提出并实现了半监督边界鉴别分析(Semi-supervised MarginalDiscriminant Analysis, SMDA)。该方法基于样本的局部信息，在保持相邻同类样本内部邻域结构的同时，最大化相邻不同类样本之间的距离。SMDA采用半监督学习，充分利用标记和未标记样本，提高识别准确率。通过矩阵分解得到最优投影向量，降低了计算复杂度。在人脸数据库上的实验结果证明了算法的有效性。2.在半监督边界鉴别分析的基础上，将其推广到核空间，提出了核半监督边界鉴别分析(Kernel Semi-supervised Marginal DiscriminantAnalysis, KSMDA)。该方法将样本投影到高维特征空间，提取非线性特征用于识别。引入相关性度量，提出了相关半监督边界鉴别分析(Correlation-based Semi-supervised Marginal DiscriminantAnalysis, CSMDA)，在实际分类问题中，显示出优于欧氏距离的性能。3.提出了基于动态图嵌入的鉴别分析(Dynamic Graph Embedding,DGE)和基于Grassmann流形的半监督图像集鉴别分析。DGE方法通过拉近相同序列中图像的距离，同时最大化不同序列中图像的距离，在鉴别分析中引入动态信息，获得了比基于静态图像更好的性能。半监督图像集鉴别分析通过将图像集建模为Grassmann流形上的点，引入核函数和未标记样本，基于数据局部邻域结构求取投影矩阵，将图像集的识别转化为一般的鉴别分析问题。4.提出了多流形假设，即不同类别的数据位于不同的流形上（各流形维数可以不同），呈多流形分布。探讨了多流形分类算法，并分析了其中的几个关键问题，给出了多流形假设下的数据分类框架。该方法分别学习属于每一类的流形，通过随机优化算法得到每个流形分类意义下的最优维数，并设计了基于最小重构误差的分类器。5.流形学习已被广泛地应用于人脸表情识别，将不同的人脸表情建模成一个嵌入在高维空间中的低维流形。本文提出了基于多流形的人脸表情建模和识别框架，认为不同的表情分布于不同的流形上，同时可能具有不同的维数。详细探讨了表情特征提取、表情学习和表情分类算法。并通过在不同表情数据库上的实验，验证了算法的有效性。
蔡友谊[5]2018年在《基于深度学习的面部跟踪与表情识别》文中认为面部表情是人体语言的重要组成部分,是人类生理和心理活动的窗口,可以传递人类的内心情感状态。当前,面部表情分析已经成为了计算机视觉、模式识别、人工智能等领域的一个热点研究课题。另一方面,近年来深度学习技术发展迅猛,已经广泛地应用于计算机视觉的研究中,取得了非常好的效果。本文旨在利用深度学习的技术,研究面部表情分析所涉及的两项关键技术:人脸面部跟踪和人脸表情识别。人脸面部跟踪作为面部表情分析研究中一项非常重要的前端技术,是开发真正实用的实时面部表情分析系统的先决条件。而人脸表情识别又是面部表情分析中的一个重要目标,成熟的人脸表情识别技术具有非常大的应用价值。本文的贡献总结如下:(1)深入研究了真实场景下的人脸面部跟踪问题。为了提高面部跟踪的准确性,本文利用图的旋转不变性和平移不变性性质,提出了一种基于谱滤波的面部跟踪算法。该算法简单有效,易于实现,能够很好地解决面部跟踪过程中目标经常发生的形变和旋转问题。本文的算法在自建的儿童面部跟踪数据库和标准目标跟踪数据集上进行了评测,取得了非常好的结果。(2)研究了基于视频的真实场景下的动态表情识别。本文提出了一种基于卷积神经网络与循环神经网络相融合的动态表情识别算法。该方法充分利用深度卷积神经网络能有效提取空间特征、循环神经网络能够充分发掘时间上下文信息的能力对动态表情序列进行建模,能够提取到视频中人脸表情的鲁棒时空特征,从而能够进行有效地表情分类。(3)研究了儿童微笑检测的问题并提出了一种基于卷积神经网络的微笑检测模型—Smile-Net。Smile-Net是一个简单的网络,与传统的网络相比,其层数和参数量少,但却能够取得比传统的方法和经典的深层神经网络方法更好的结果。本文还开发了一个儿童面部跟踪与微笑检测系统,该系统可以对参加亲子互动实验中儿童的视频数据进行准确的微笑检测,生成的微笑分析结果可以作为儿童社会情绪调节能力评测的辅助分析手段。
刘洁娟[6]2008年在《基于MPEG-4的人脸建模和动画实现研究》文中研究说明真实感叁维人脸动画技术作为一种重要的人机交互方式,可以应用于人性化人机交互、虚拟主持人、网络会议、可视电话、远程教学、远程医疗诊断、电影制作、游戏娱乐等诸多领域。基于MPEG-4的人脸动画系统具有动画数据通用性强、动画数据量小、运算复杂度低等优点,拥有适合于网络实时动画的架构,因此得到了快速发展。叁维人脸动画的主要研究内容包括人脸建模和人脸动画控制两个方面。本文的研究目标是探讨基于MPEG-4的人脸动画标准的人脸建模及动画控制的实现。本文详细介绍了构造该系统所涉及的特征提取、特定人脸建模、表情动画等方面的技术以及MPEG-4人脸模型规范标准的基本内容。利用基于色彩信息的Snake技术和可变叁维人脸模板,获取人脸特征定位信息,映射到一种基于MPEG-4标准改进的CANDIDE-3参数化人脸模型,完成特定人脸模型建模。在基于MPEG-4的人脸动画系统中,人脸动画定义表的作用是指导动画系统如何在得到人脸运动参数后,变形特定人脸模型,以产生预期的动画效果,是实现基于MPEG-4的人脸动画系统实现的关键所在。本文采用MPEG-4人脸动画定义表的基本思想,结合VC+6.0和OpenGl技术,给出了一个人脸动画实现的系统,验证了相关算法的可行性,并提出了进一步的研究方向。
王强[7]2013年在《移动终端上基于视频的人脸检测与建模系统的设计与实现》文中认为随着计算机技术的快速发展和数码产品的日益普及,个人数字多媒体文件的数量与日俱增。如何利用现有多媒体技术挖掘这些文件中蕴含的丰富信息,为用户提供形式更加新颖、功能更加完善的应用程序便成为一个重要的问题。而人脸作为人类个体进行身份标识和信息表达的重要媒介,在生产生活的各个领域都起着不可或缺的作用。近年来,计算机图形学的不断发展以及计算机软硬件水平的不断提高使得人脸检测及人脸建模技术在影视娱乐、身份验证、公安安全等领域越来越广泛的应用。同时,移动互联网的出现,成功地将移动通信和互联网二者结合起来。互联网和移动通信已经成为当今世界上发展最快、潜力最大的两大业务。它们正在以惊人的速度增长,并且获得了越来越多用户的认可。可以预见,移动互联网领域将带领着互联网产业掀起新一轮的革新浪潮,并将对社会的方方面面产生重大而深刻的影响。本论文正是基于这样一种背景,提出了在移动网络中进行人脸检测和建模的解决方案,设计并实现了一种基于移动设备的人脸检测与建模系统。该系统针对移动网络中终端设备处理能力有限而网络带宽比较丰富的特点,采用客户端-服务器架构,将人脸数据的采集和显示放在客户端,而人脸的检测与建模放在服务器端。这样既能保证人脸建模的速度和准确性,又能使用户具有很高的移动性和自由度。同时,文中还根据帧的连续性假设提出了一种基于人脸姿态检测的图片过滤算法,有效地解决了人脸数据中的无效数据和冗余数据造成系统资源浪费的问题。本论文首先对在移动人脸检测与建模系统中使用到的相关技术进行了介绍；接着对该系统进行了需求分析和总体设计；然后详细阐释了系统的各个主要功能模块的详细设计与实现；之后提出了一种用于过滤无效和冗余人脸数据算法；最后,对系统进行了全面的测试并进行了总结。
张珂[8]2010年在《基于视频的叁维人脸建模研究》文中研究表明人脸作为人类内心世界的直接体现,具有相当重要地位。叁维模型作为人脸在计算机中的表示,因此受到了很多研究机构的重视,被应用到了很多专业及非专业的领域。所以如何建立一个精确的叁维模型并且适应相关效率要求就显的格外重要。一直以来叁维人脸的建模研究主要集中在两个方面,一是提高建模的速度与自动化程度,二是提高模型的精确性。本文在阅读大量相关文献的基础上,总结了前人的建模方式,然后提出了自己的改进算法,在提高建模速度的同时也改良了模型的表现力。本文主要工作如下：(1)简化传统叁维点坐标重建模型(特征点重建模型),然后利用视频序列中的多帧图像还原特征点信息。在保证特征点还原精度的前提下,加快重建速度。(2)本文使用径向基函数对非特征点进行插值。为提高系统鲁棒性采用了一种新的基函数,该函数具有正定性,保证了径向基方法总是有解,并提出分区域插值的方法提升速度和消除远端点的影响。Candide-3模型本身多边形数量较少造成最后的模型平滑度不足。本文应用多边形细分技术对模型进行细化,以缓解模型的平滑度问题,并提出了改进的自适应蝴蝶细分算法提高效率。(3)要让叁维人脸模型具有更好的研究和应用价值,就必须进行真实感建模。所以仅仅一个网格框架是不够的,还需要重建皮肤等。本文使用纹理贴图的方式还原了人脸的表面皮肤。为获得更好的效果及速度,改进了以前的方法,用Phong着色模型并配合可编程渲染管线快速的完成了人脸模型的光滑渲染。(4)最后本文实验了通用模型定义的动作单元(AUs)。通过在变形后的模型上直接应用AUs,看到原始AUs定义的表情在新模型上不再精确,我们分析其原因发现是由于模型非刚性变化所导致的,要修正这种错误就必须重新定义AUs,该过程相当复杂,限于篇幅本文在修改一些AUVs改善结果以后,并未做更深入的研究,但为以后的研究做了很好的铺垫。
陈思[9]2017年在《基于视频驱动的面部表情实时模拟研究与实现》文中进行了进一步梳理人脸是人类表达情感的窗口,人的面部表情提供了丰富的视觉信息。人脸面部表情模拟在影视特效制作、动画电影制作等娱乐方面以及客户服务、辅助教学、视频会议等诸多领域都有着十分广泛的应用。基于视频的面部表情实时模拟技术涉及人脸识别技术、人脸特征点自动定位技术、人脸姿态估计及表情分析以及人脸表情动画等多方面的技术。本文设计并实现了一个基于视频驱动的面部表情模拟系统。该系统可以定位视频中人脸部特征点的位置,并结合人脸特征点位置信息进行人脸姿态估计和表情分析。然后结合叁维网格Morphing技术,根据人脸表情数据,对各基础人脸表情进行融合,实现真实感较强的人脸表情模拟动画。本文的主要工作体现在以下几点:1、人脸及人眼检测。利用Adaboost学习算法对视频图像中人脸及人眼进行检测,为后续人脸特征点定位提供初始模型的优化定位数据。2、人脸特征点自动定位。利用主动形状模型特征点定位方法,根据给定样本训练图像,生成形状模型和灰度纹理模型,并根据生成的模型进行特征点的迭代搜索。提出一种改进的ASM特征点定位方法,利用人眼检测进行模型精确化初定位,利用多分辨率的图像搜索策略增强算法的精确度,并结合算法在视频中的应用提出一种基于视频的ASM特征点搜索优化方法。3、人脸姿态估计。利用人脸特征点位置信息,采用一种基于线性回归模型的人脸姿态估计算法对视频图像中偏转人脸的偏转角度进行估计。4、人脸表情分析。根据人脸特征点位置信息以及人脸姿态估计信息,提出一种基于人脸运动单元的人脸表情分析方法,根据相关特征点之间的位置距离关系分析人脸局部运动,将人脸特征点位置信息转换为人脸表情数字信息,用来驱动叁维模型动画。5、叁维人脸动画。通过获得的人脸姿态和表情信息,对叁维模型进行驱动。采用一种网格Morphing方法对各基础人脸表情模型进行加权融合,形成真实感的人脸表情动画。
鲍佳音[10]2008年在《基于视频的人脸卡通动画研究及实现》文中指出基于视频流的卡通动画制作方法是新兴的一种计算机辅助卡通动画方法,也是当前计算机辅助卡通动画研究的热点问题之一。这种方法旨在运用计算机视觉和图像处理等技术,获取视频中的色彩、纹理和运动等信息,来完成卡通动画的制作。本文借鉴基于视频流的卡通动画制作方法来探索基于视频流的人脸卡通动画制作方法。为此,本文设计了一个基于视频的人脸卡通动画系统,旨在通过跟踪并提取出人脸视频中的表情特征,来驱动特定的卡通人脸模型,实现表情的卡通化模拟。为了实现上述目标,我们将人脸的运动情况分为叁种情况:1)无表情的头部转动运动;2)正面人脸表情运动;3)表情变化的同时伴有头部的转动。针对第一种情况,主要要解决的问题是人脸朝向的估计,为此本文研究了人脸姿态估计方法,并实现了基于摄像机定标的人脸姿态恢复;对于第二、叁种情况,主要的问题是如何利用源视频的表情特征驱动卡通人脸模型,这主要涉及到脸部动画参数的获取,因为从源视频中获取的运动数据不能直接应用到卡通模型上。为此本文主要研究了脸部动画参数获取的方法,并实现了正面人脸表情动画模拟。为了得到源视频的脸部运动运动数据,人脸特征检测和人脸特征跟踪是两个先决条件。为此,本文主要研究了基于主动形状模型(Active Shape Model)的人脸特征检测算法和基于Lucas-Kanade的光流跟踪算法。然后基于特征跟踪得到的脸部运动参数驱动卡通模型实现人脸表情动画的模拟。
参考文献：
[1]. 基于内容的智能视频监控关键技术及在公共安防中的应用研究[D]. 张剑. 浙江大学. 2007
[2]. 基于视频的人脸表情建模研究[D]. 王进. 浙江大学. 2003
[3]. 基于图像集合和视频序列的视频人脸识别算法研究[D]. 王玉. 吉林大学. 2017
[4]. 高维空间模式鉴别分析及多流形学习[D]. 肖睿. 上海交通大学. 2011
[5]. 基于深度学习的面部跟踪与表情识别[D]. 蔡友谊. 东南大学. 2018
[6]. 基于MPEG-4的人脸建模和动画实现研究[D]. 刘洁娟. 华东师范大学. 2008
[7]. 移动终端上基于视频的人脸检测与建模系统的设计与实现[D]. 王强. 北京邮电大学. 2013
[8]. 基于视频的叁维人脸建模研究[D]. 张珂. 四川师范大学. 2010
[9]. 基于视频驱动的面部表情实时模拟研究与实现[D]. 陈思. 电子科技大学. 2017
[10]. 基于视频的人脸卡通动画研究及实现[D]. 鲍佳音. 浙江大学. 2008
标签：数学论文; 人脸识别算法论文; 人脸检测技术论文; 人脸识别技术论文; adaboost人脸检测论文; 流形学习论文; 数据建模论文; 图像融合论文; 系统学习论文; 图像识别论文; 算法论文;