| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题研究的背景和意义 | 第10-11页 |
| ·人脸识别研究的现状与存在的困难 | 第11-13页 |
| ·研究的现状 | 第11-12页 |
| ·存在的主要困难 | 第12-13页 |
| ·人脸识别相关技术 | 第13-15页 |
| ·人脸识别系统概述 | 第13-14页 |
| ·人脸识别方法简介 | 第14-15页 |
| ·本文各章内容安排 | 第15-17页 |
| 第2章 人脸图像预处理 | 第17-25页 |
| ·引言 | 第17页 |
| ·人脸图像库 | 第17-18页 |
| ·人脸图像的标准化 | 第18-23页 |
| ·人眼定位 | 第18-22页 |
| ·图像的几何归一化 | 第22-23页 |
| ·图像的灰度归一化 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第3章 基于线性子空间的人脸识别算法 | 第25-36页 |
| ·引言 | 第25页 |
| ·基于PCA 的人脸识别 | 第25-29页 |
| ·PCA 人脸识别方法 | 第25-27页 |
| ·特征向量的选取 | 第27-28页 |
| ·距离函数的选取 | 第28-29页 |
| ·PCA 的优缺点分析 | 第29页 |
| ·FISHER判别分析人脸识别方法 | 第29-31页 |
| ·LDA 算法 | 第29-30页 |
| ·基于Fisher 判别分析的人脸识别 | 第30-31页 |
| ·Fisher 判别分析法的优缺点分析 | 第31页 |
| ·基于零空间的FISHER判别分析法 | 第31-33页 |
| ·零空间法 | 第32页 |
| ·基于零空间的Fisher 判别分析法 | 第32-33页 |
| ·基于零空间的Fisher 判别分析法的优缺点分析 | 第33页 |
| ·实验结果分析 | 第33-35页 |
| ·PCA 中子空间维数和训练样本个数与识别率的关系 | 第33-34页 |
| ·几种线性特征提取算法的比较分析 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于核方法的人脸识别方法 | 第36-49页 |
| ·引言 | 第36页 |
| ·核方法 | 第36-37页 |
| ·基于KPCA 的人脸识别方法 | 第37-40页 |
| ·KPCA 的基本原理 | 第37页 |
| ·KPCA 算法 | 第37-39页 |
| ·基于KPCA 的人脸识别算法 | 第39页 |
| ·KPCA 的优缺点分析 | 第39-40页 |
| ·基于KFDA 的人脸识别方法 | 第40-42页 |
| ·KFDA 的基本原理 | 第40页 |
| ·KFDA 算法 | 第40-42页 |
| ·基于KFDA 的人脸识别算法 | 第42页 |
| ·KFDA 的优缺点分析 | 第42页 |
| ·基于零空间的KFDA 人脸识别方法 | 第42-45页 |
| ·基于零空间的KFDA 的基本原理 | 第42-43页 |
| ·基于零空间的LDA 算法 | 第43-44页 |
| ·基于零空间的KFDA 人脸识别算法 | 第44-45页 |
| ·基于零空间的KFDA 的优缺点分析 | 第45页 |
| ·实验结果分析 | 第45-47页 |
| ·核函数的选择 | 第45-46页 |
| ·基于核方法的人脸识别算法的分析 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 支持向量机 | 第49-57页 |
| ·引言 | 第49-50页 |
| ·统计学习理论 | 第50页 |
| ·VC 维 | 第50页 |
| ·结构风险最小化 | 第50页 |
| ·支持向量机原理 | 第50-54页 |
| ·支持向量机的基本思想 | 第51页 |
| ·线性可分的情况 | 第51-52页 |
| ·非线性可分的情况 | 第52-53页 |
| ·核函数的选择 | 第53-54页 |
| ·支持向量机的多类别分类方法 | 第54-55页 |
| ·1-v-A(一对多)方法 | 第54页 |
| ·1-v-1(一对一)方法 | 第54-55页 |
| ·多类SVM 在人脸识别中的应用 | 第55页 |
| ·实验结果分析 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第63页 |