基于统计特征的人脸识别方法的分析改进及实现
| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-4页 |
| 目录 | 第4-6页 |
| 第1章 绪论 | 第6-16页 |
| ·论文研究的背景和意义 | 第6-9页 |
| ·国内外发展情况综述及分析 | 第9-11页 |
| ·影响人脸识别技术性能的因素及解决方法 | 第11-12页 |
| ·主要性能指标 | 第11-12页 |
| ·影响人脸识别性能的因素及解决方法 | 第12页 |
| ·相关人脸库的简介 | 第12-15页 |
| ·ORL人脸库 | 第13页 |
| ·Z Yale人脸库 | 第13页 |
| ·UMIST人脸库 | 第13-14页 |
| ·FERET人脸库 | 第14页 |
| ·AR人脸库 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第2章 基于子空间方法的分析及改进 | 第16-32页 |
| ·基于主元分析方法的分析及改进 | 第16-24页 |
| ·PCA方法 | 第16-17页 |
| ·MPCA方法 | 第17-18页 |
| ·2DPCA方法 | 第18-19页 |
| ·KPCA方法 | 第19-20页 |
| ·改进方法—局部二维主元分析方法(LTDPCA) | 第20-24页 |
| ·基于线性判别分析方法的分析及改进 | 第24-30页 |
| ·LDA方法 | 第25-26页 |
| ·基于零空间的LDA方法 | 第26-27页 |
| ·MFLD方法 | 第27页 |
| ·基于核的线性判别分析 | 第27页 |
| ·Fisher最优判据的改进方法 | 第27-30页 |
| ·其它的一些方法 | 第30-31页 |
| ·独立主元分析方法(ICA) | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于奇异值分解方法的分析及改进 | 第32-44页 |
| ·图像的奇异值分解 | 第32-33页 |
| ·基于右奇异向量的人脸识别新方法 | 第33-36页 |
| ·训练与测试 | 第34页 |
| ·实验结果与分析 | 第34-36页 |
| ·基于局部右奇异向量的人脸识别新方法 | 第36-39页 |
| ·训练与测试 | 第36-37页 |
| ·实验结果与分析 | 第37-39页 |
| ·基于奇异向量与奇异值的人脸识别新方法 | 第39-43页 |
| ·正交奇异值方法 | 第39-40页 |
| ·训练阶段 | 第40页 |
| ·测试及识别阶段 | 第40-41页 |
| ·不同方法识别率的比较 | 第41页 |
| ·本方法的性能分析 | 第41-43页 |
| ·图像重建 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第4章 静态人脸识别系统设计与实现 | 第44-49页 |
| ·系统设计与功能介绍 | 第44-45页 |
| ·程序说明与实现 | 第45-48页 |
| ·PGM格式的说明 | 第46页 |
| ·数学库的调用 | 第46-47页 |
| ·一些编程要注意的问题 | 第47页 |
| ·编程步骤的简要说明 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 结束语 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 | 第54-62页 |
| 附录 1:静态人脸识别系统的部分源代码 | 第54-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表论文情况 | 第63页 |
