| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 人脸识别研究的背景及意义 | 第9页 |
| 1.2 单样本问题的提出及其意义 | 第9-11页 |
| 1.3 单样本人脸识别的国内外研究现状 | 第11-12页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12页 |
| 1.4 本文的主要工作和结构 | 第12-15页 |
| 1.4.1 本文的主要工作 | 第12-13页 |
| 1.4.2 本文的主要结构 | 第13-15页 |
| 第二章 人脸识别的相关技术 | 第15-22页 |
| 2.1 人脸识别技术 | 第15-16页 |
| 2.1.1 人脸识别系统的基本框架 | 第15-16页 |
| 2.2 人脸识别的主流算法 | 第16-18页 |
| 2.3 单样本人脸识别的主要方法 | 第18-21页 |
| 2.3.1 样本扩展法 | 第18-19页 |
| 2.3.2 局部特征区域方法 | 第19-20页 |
| 2.3.3 三维方法 | 第20页 |
| 2.3.4 本文所用方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 从小样本到单样本的人脸识别算法 | 第22-43页 |
| 3.1 小波变换 | 第22-23页 |
| 3.2 梯度方向直方图（HOG） | 第23-27页 |
| 3.2.1 HOG 特征提取 | 第24-25页 |
| 3.2.2 梯度的计算 | 第25-26页 |
| 3.2.3 梯度方向直方图的构建 | 第26页 |
| 3.2.4 块中特征标准化 | 第26-27页 |
| 3.3 线性判别分析（LDA） | 第27-30页 |
| 3.3.1 Fisher 准则函数 | 第28-29页 |
| 3.3.2 投影矩阵的求解 | 第29-30页 |
| 3.3.3 基于 LDA 特征提取的优缺点 | 第30页 |
| 3.4 最大间距准则（MMC） | 第30-31页 |
| 3.5 小样本条件下的人脸特征提取算法 | 第31-37页 |
| 3.5.1 小样本特征提取新框架 | 第32页 |
| 3.5.2 实验结果与分析 | 第32-35页 |
| 3.5.3 本文提出的方法的性能分析 | 第35-37页 |
| 3.5.4 提出方法总结 | 第37页 |
| 3.6 单样本条件下的人脸特征提取算法 | 第37-42页 |
| 3.6.1 单样本特征提取新框架 | 第38-39页 |
| 3.6.2 实验结果与分析 | 第39-40页 |
| 3.6.3 本文提出算法的性能分析 | 第40-42页 |
| 3.6.4 提出方法总结 | 第42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于 Gabor 小波与 LDA 人脸特征提取算法 | 第43-51页 |
| 4.1 一维 Gabor 小波介绍 | 第43-44页 |
| 4.2 二维 Gabor 小波 | 第44-45页 |
| 4.3 Gabor 小波的优缺点 | 第45-46页 |
| 4.4 本文提出算法介绍 | 第46-47页 |
| 4.4.1 单样本条件下的人脸特征提取新框架 | 第46页 |
| 4.4.2 基于 Gabor 小波的 LDA 改进算法 | 第46-47页 |
| 4.5 实验结果与分析 | 第47-50页 |
| 4.5.1 Gabor 变换的相关参数选择 | 第47-48页 |
| 4.5.2 特征向量个数分析 | 第48-49页 |
| 4.5.3 识别率分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读学位期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57页 |