基于小波包矩特征的改进LDB人脸识别方法及其应用研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-22页 |
| ·研究背景 | 第11-12页 |
| ·公共场所安全监控 | 第12页 |
| ·智能监控 | 第12页 |
| ·银行和金融系统 | 第12页 |
| ·人脸识别研究的发展 | 第12-15页 |
| ·人脸识别的研究历程 | 第13-14页 |
| ·人脸识别的研究现状 | 第14-15页 |
| ·人脸识别的主要方法 | 第15-19页 |
| ·基于几何特征的人脸识别方法 | 第15-16页 |
| ·基于模板匹配的人脸识别方法 | 第16-17页 |
| ·基于特征脸的人脸识别方法 | 第17-18页 |
| ·基于神经网络的人脸识别方法 | 第18页 |
| ·基于弹性图匹配的人脸识别方法 | 第18-19页 |
| ·人脸识别研究的难点 | 第19-20页 |
| ·本文的主要工作 | 第20-22页 |
| ·本文的基本方法 | 第20-21页 |
| ·本文结构 | 第21-22页 |
| 第二章 小波与小波包分析的基本理论 | 第22-35页 |
| ·小波变换概述 | 第22-23页 |
| ·Fourier分析 | 第23-24页 |
| ·多分辨率分析 | 第24-25页 |
| ·小波与Mallat算法 | 第25-31页 |
| ·小波分析 | 第26-27页 |
| ·Mallat算法 | 第27-31页 |
| ·小波包 | 第31-35页 |
| ·小波包定义 | 第31-32页 |
| ·小波包分解与重构 | 第32页 |
| ·最优基的选择 | 第32-35页 |
| 第三章 人脸识别的算法研究 | 第35-43页 |
| ·特征提取概述 | 第35页 |
| ·人脸识别的相关统计特征 | 第35-37页 |
| ·主成分分析方法(PCA) | 第37-41页 |
| ·主成分分析的概述 | 第37-38页 |
| ·主成分分析的原理 | 第38页 |
| ·基于主成分分析的人脸识别 | 第38-41页 |
| ·线性判别分析方法(LDA) | 第41-43页 |
| ·线性判别分析的原理 | 第41-42页 |
| ·基于Fisher脸的人脸识别 | 第42-43页 |
| 第四章 基于小波包矩特征提取的改进方法 | 第43-53页 |
| ·人脸识别的LDB方法 | 第44-46页 |
| ·最初的LDB分类器设计方法 | 第44-46页 |
| ·LDB方法的优点 | 第46页 |
| ·LDB用于人脸识别 | 第46页 |
| ·LDB方法的改进 | 第46-49页 |
| ·最优基的选择 | 第47-48页 |
| ·可分度定义的改进—差可分度 | 第48-49页 |
| ·一种新的分类特征提取方法 | 第49-51页 |
| ·传统分类特征 | 第49页 |
| ·基于矩特性的分类特征提取 | 第49-51页 |
| ·分类识别方法 | 第51-53页 |
| ·分类距离的定义 | 第51-52页 |
| ·分类距离的加权 | 第52页 |
| ·识别阀值的确定 | 第52-53页 |
| 第五章 人脸识别方法的实验分析与应用研究 | 第53-64页 |
| ·实验方案设计 | 第53-56页 |
| ·实验结果分析 | 第56-61页 |
| ·人脸识别在视频标注中的应用 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·改进与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者在硕士学习期间取得的学术成果 | 第71页 |
