| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 人脸识别发展历史以及基本流程 | 第11-14页 |
| 1.2.1 人脸识别的发展历史和现状 | 第11页 |
| 1.2.2 人脸识别的基本流程 | 第11-13页 |
| 1.2.3 人脸识别的分类 | 第13-14页 |
| 1.3 本文研究主要内容 | 第14-15页 |
| 1.4 本文内容安排 | 第15-16页 |
| 第2章 HOG特征提取主要步骤及特征匹配过程 | 第16-22页 |
| 2.1 HOG特征提取的基本理论 | 第16-17页 |
| 2.2 HOG特征提取基本过程 | 第17-20页 |
| 2.2.1 HOG算法对图片的预处理 | 第17页 |
| 2.2.2 计算图像梯度值和梯度方向 | 第17-18页 |
| 2.2.3 为每个细胞单元创建梯度方向直方图 | 第18-19页 |
| 2.2.4 单元格归一化和最终描述子形成 | 第19-20页 |
| 2.3 HOG算法和SIFT描述子的区别 | 第20-21页 |
| 2.4 特征点匹配 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 人脸特征块以及多尺度金字塔的构建 | 第22-34页 |
| 3.1 人脸特征块的提出 | 第22-24页 |
| 3.2 多尺度金字塔的构建及影响 | 第24-29页 |
| 3.2.1 尺度和尺度空间 | 第24-25页 |
| 3.2.2 多尺度金字塔的构建 | 第25-26页 |
| 3.2.3 多尺度金字塔特征块提取HOG特征 | 第26-29页 |
| 3.3 使用多尺度金字塔构建近邻矩阵并应用于LPP降维算法 | 第29-32页 |
| 3.3.1 降维算法简介和意义 | 第29-31页 |
| 3.3.2 多尺度金字塔构建近邻矩阵并应用于LPP降维算法 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于多尺度金字塔特征块提取HOG特征的新型人脸识别算法匹配过程以及实验结果 | 第34-45页 |
| 4.1 基于多尺度金字塔特征块提取特征的匹配过程 | 第34-36页 |
| 4.1.1 K近邻分类器（KNN） | 第34-35页 |
| 4.1.2 本文算法匹配过程 | 第35-36页 |
| 4.2 实验与分析 | 第36-44页 |
| 4.2.1 算法在AR人脸库上的实验结果与分析 | 第36-42页 |
| 4.2.2 算法在Yale人脸库上的实验结果与分析 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 论文总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45页 |
| 5.2 本文展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 作者简介及在学期间所取得的科研成果 | 第50-51页 |
| 致谢 | 第51页 |
