| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 人脸识别的研究背景及意义 | 第10-11页 |
| 1.2 人脸识别的发展历史及现状 | 第11-13页 |
| 1.2.1 人脸识别的发展历史 | 第11-12页 |
| 1.2.2 人脸识别的发展现状 | 第12-13页 |
| 1.3 人脸识别系统 | 第13-14页 |
| 1.4 主要的人脸识别方法 | 第14-18页 |
| 1.4.1 主要的人脸特征提取方法 | 第14-17页 |
| 1.4.2 主要的分类器 | 第17页 |
| 1.4.3 人脸识别中存在的问题 | 第17-18页 |
| 1.4.4 人脸识别性能的测评指标 | 第18页 |
| 1.5 主要研究内容及各章节安排 | 第18-20页 |
| 1.5.1 主要研究内容 | 第18-19页 |
| 1.5.2 本文各章节安排 | 第19-20页 |
| 第二章 人脸特征提取的常用方法 | 第20-30页 |
| 2.1 基于主成分分析的方法 | 第20-24页 |
| 2.1.1 K-L 变换 | 第20-21页 |
| 2.1.2 基于主成分分析的人脸特征提取 | 第21-24页 |
| 2.2 基于 2DGabor 小波的人脸特征提取 | 第24-29页 |
| 2.2.1 2DGabor 小波函数的定义 | 第24-25页 |
| 2.2.2 2DGabor 滤波器 | 第25-27页 |
| 2.2.3 人脸图像的 2DGabor 变换 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于稀疏表示的人脸识别 | 第30-46页 |
| 3.1 压缩感知理论 | 第30-36页 |
| 3.1.1 压缩感知理论概述 | 第31-32页 |
| 3.1.2 信号的稀疏表示 | 第32页 |
| 3.1.3 测量矩阵的构造 | 第32-34页 |
| 3.1.4 信号的重构 | 第34-36页 |
| 3.2 主要重构算法 | 第36-39页 |
| 3.2.1 梯度投影法 | 第36-38页 |
| 3.2.2 截断牛顿内点法 | 第38-39页 |
| 3.3 稀疏保留投影算法应用于人脸识别 | 第39-45页 |
| 3.3.1 稀疏表示用于人脸识别 | 第40-41页 |
| 3.3.2 稀疏重构权值矩阵 | 第41-43页 |
| 3.3.3 稀疏保留投影算法 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 改进的稀疏保留投影算法 | 第46-55页 |
| 4.1 改进的稀疏保留投影算法 | 第47-50页 |
| 4.2 SPP 算法与 LSPP 算法的比较实验 | 第50-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 基于 2DGabor 小波变换与 LSPP 算法的人脸识别 | 第55-70页 |
| 5.1 基于 GLSPP 算法的特征提取过程 | 第55-57页 |
| 5.2 实验结果分析及总结 | 第57-59页 |
| 5.2.1 实验对象 | 第57-58页 |
| 5.2.2 实验过程介绍 | 第58-59页 |
| 5.3 实验结果与分析 | 第59-69页 |
| 5.3.1 训练样本数不同情况下的实验结果与分析 | 第59-64页 |
| 5.3.2 本文方法与其它方法的比较 | 第64-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 附录 1 攻读硕士学位期间撰写的论文 | 第77-78页 |
| 致谢 | 第78页 |