基于小波变换与KPCA人脸识别技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 1 绪论 | 第12-26页 |
| ·引言 | 第12-13页 |
| ·课题研究的背景与意义 | 第13-15页 |
| ·研究的背景 | 第13页 |
| ·课题的意义 | 第13-15页 |
| ·人脸识别研究的现状与技术难点 | 第15-18页 |
| ·研究现状 | 第15-17页 |
| ·存在的困难 | 第17-18页 |
| ·人脸识别方法综述 | 第18-24页 |
| ·基于几何特征的人脸识别方法 | 第18-19页 |
| ·基于模板匹配的人脸识别方法 | 第19-20页 |
| ·特征脸方法 | 第20-21页 |
| ·隐马尔科夫模型的人脸识别方法 | 第21-22页 |
| ·人工神经网络方法 | 第22-23页 |
| ·弹性图匹配方法 | 第23-24页 |
| ·本文的工作和创新点 | 第24-25页 |
| ·论文结构 | 第25-26页 |
| 2 人脸图像预处理 | 第26-43页 |
| ·引言 | 第26-27页 |
| ·人脸图象库 | 第27-28页 |
| ·人脸图象预处理 | 第28-29页 |
| ·人脸图像归一化 | 第28-29页 |
| ·人脸图像灰度直方图的修正 | 第29页 |
| ·人脸图像的小波分解 | 第29-43页 |
| ·小波分析的背景 | 第29-30页 |
| ·连续小波变换 | 第30-33页 |
| ·离散小波变换 | 第33-34页 |
| ·二维离散小波变换快速算法 | 第34-36页 |
| ·多分辨分析 | 第36-39页 |
| ·Mallat算法 | 第39-41页 |
| ·人脸图像的小波分解及试验分析 | 第41-43页 |
| 3 基于核主成分分析的人脸特征提取 | 第43-58页 |
| ·特征提取的意义 | 第43-44页 |
| ·基于主成分分析的人脸特征提取 | 第44-53页 |
| ·K-L变换原理 | 第44-46页 |
| ·K-L变换特征提取 | 第46-48页 |
| ·基于 PCA的人脸识别 | 第48-52页 |
| ·PCA人脸识别方法 | 第52页 |
| ·PCA的优缺点分析 | 第52-53页 |
| ·基于核主成分分析的人脸特征提取 | 第53-58页 |
| ·核方法基本概念 | 第53-55页 |
| ·核主元分析(KPCA) | 第55-57页 |
| ·基于 KPCA人脸识别方法 | 第57页 |
| ·KPCA的优缺点分析 | 第57-58页 |
| 4 统计学习理论与支持向量机 | 第58-75页 |
| ·机器学习的基本问题 | 第59-62页 |
| ·机器学习问题的表示 | 第59-61页 |
| ·经验风险最小化 | 第61页 |
| ·复杂性与推广能力 | 第61-62页 |
| ·统计学习理论 | 第62-66页 |
| ·函数集的 VC维 | 第63页 |
| ·推广能力的界 | 第63-64页 |
| ·结构风险最小化 | 第64-66页 |
| ·支持向量机 | 第66-75页 |
| ·概述 | 第66-68页 |
| ·线性支持向量机 | 第68-71页 |
| ·非线性支持向量机 | 第71-72页 |
| ·多分类支持向量机 | 第72-75页 |
| 5 实验仿真结果及讨论 | 第75-81页 |
| ·基于核主成分分析人脸识别方法 | 第75-77页 |
| ·实验人脸图像库 | 第75页 |
| ·实验与分析 | 第75-77页 |
| ·结论 | 第77页 |
| ·基于特征组合的人脸识别方法 | 第77-81页 |
| ·算法实现 | 第77-78页 |
| ·实验与分析 | 第78-79页 |
| ·结论 | 第79-81页 |
| 6 结束语 | 第81-84页 |
| ·本文总结 | 第81-82页 |
| ·人脸识别技术展望 | 第82-84页 |
| 参考文献 | 第84-87页 |
| 攻读硕士学位期间发表学术论文情况 | 第87-88页 |
| 致谢 | 第88页 |
