复杂环境非约束图像人脸分析和场景识别

　　复杂环境中非约束图像识别是计算机视觉和人机交互领域中的重要研究问题，《复杂环境非约束图像人脸分析和场景识别》主要关注复杂环境中非约束人脸图像识别和遥感场景识别中的难点和问题，详细介绍非约束环境下的人脸特征点精确定位方法、自然场景中的头部姿态估计方法、多视角变化下的自发表情识别方法、多尺度高分辨率遥感影像的场景分类和场景识别方法，并讨论了该领域的应用和研究方向。《复杂环境非约束图像人脸分析和场景识别》建立一个非约束图像识别的方法框架，以期协助读者扩展到不同的视觉任务。

暂缺《复杂环境非约束图像人脸分析和场景识别》作者简介

目录
第1章 绪论 1
1.1 为什么要做图像识别 1
1.2 复杂环境非约束图像人脸识别 2
1.2.1 复杂环境人脸识别技术 4
1.2.2 复杂环境人脸识别面临的挑战 7
1.3 复杂环境高分辨率遥感影像场景识别 9
1.3.1 复杂环境的遥感影像场景识别技术 10
1.3.2 高分辨率遥感影像场景识别面临的挑战 12
1.4 相关数据集 13
1.4.1 人脸图像数据集 13
1.4.2 遥感场景图像数据集 14
1.5 本书内容 16
第2章 非约束环境下的人脸特征点精确定位 18
2.1 引言 18
2.2 基于CI-RF的非约束人脸特征点精确定位 19
2.2.1 方法概述 19
2.2.2 人脸正/负子区域分类 20
2.2.3 初始化人脸特征定位 21
2.2.4 非约束人脸特征精确定位 24
2.2.5 条件权重稀疏投票 25
2.3 实验和分析 26
2.3.1 实验参数设置 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人脸特征点精确定位分析 30
2.3.4 与经典方法的比较 31
第3章 自然场景中的头部姿态估计 34
3.1 引言 34
3.2 RF算法 35
3.3 基于D-RF的头部姿态估计 37
3.3.1 D-RF的训练 38
3.3.2 水平头部姿态估计 41
3.3.3 竖直头部姿态估计 41
3.4 D-RF的多层概率模型 42
3.5 实验和分析 43
3.5.1 训练 44
3.5.2 测试 45
3.5.3 平均准确率比较和分析 46
3.5.4 D-RF的级联层数分析 46
3.5.5 相关算法的比较 47
3.5.6 运行时间的比较 47
3.5.7 鲁棒性分析 48
第4章 多视角自发表情识别 49
4.1 引言 49
4.2 M-DNF的自发表情识别 51
4.2.1 方法概述 51
4.2.2 深度迁移表情特征提取 52
4.2.3 多视角网络增强森林 52
4.2.4 多视角估计 54
4.2.5 多视角条件概率和自发表情识别 55
4.3 实验和分析 55
4.3.1 实验参数设置 55
4.3.2 CK+数据集的实验分析 56
4.3.3 BU-3DFE多视角表情数据集的实验分析 58
4.3.4 LFW自然环境中表情数据集的实验分析 60
4.3.5 不同方法时间效率的比较 61
第5章 多尺度高分辨率遥感影像场景分类 62
5.1 引言 62
5.2 JMCNN网络结构 63
5.2.1 多通道卷积特征提取 64
5.2.2 多尺度特征联合 65
5.2.3 Softmax分类器及损失函数 66
5.3 多尺度高分辨率遥感影像场景分类 67
5.3.1 遥感影像数据预处理 67
5.3.2 遥感影像场景分类 67
5.4 实验和分析 69
5.4.1 实验参数设置 69
5.4.2 实验1UCM数据集场景识别 70
5.4.3 实验2SIRI数据集场景分类实验 73
5.4.4 实验3USGS大幅影像场景标注 74
第6章 多特征融合的复杂遥感场景识别 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 局部特征的表达 80
6.2.4 全局特征的提取 83
6.2.5 融合特征的提取及分类 83
6.3 实验和分析 84
6.3.1 实验参数设置 84
6.3.2 卷积层特征表达能力分析 84
6.3.3 GLDFB实验结果及分析 87
6.3.4 迁移实验 91
参考文献 92
编后记 99