| 提要 | 第4-5页 |
| 详细摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-34页 |
| 1.1 人脸识别的研究背景 | 第14-15页 |
| 1.2 人脸识别的研究目的及意义 | 第15-16页 |
| 1.3 人脸识别的研发历程及现状 | 第16-28页 |
| 1.3.1 人脸识别的研发历程 | 第16-21页 |
| 1.3.2 基于图像的人脸识别技术研究现状 | 第21-28页 |
| 1.4 人脸识别面临的挑战和发展趋势 | 第28-31页 |
| 1.5 本文主要成果及章节安排 | 第31-34页 |
| 1.5.1 主要研究成果 | 第31-32页 |
| 1.5.2 论文组织结构 | 第32-34页 |
| 第2章 人脸识别综述 | 第34-50页 |
| 2.1 人脸识别系统 | 第34-35页 |
| 2.2 图像预处理方法 | 第35-39页 |
| 2.2.1 引言 | 第35-36页 |
| 2.2.2 直方图均衡化 | 第36-37页 |
| 2.2.3 Gamma校正 | 第37-38页 |
| 2.2.4 局部对比增强 | 第38页 |
| 2.2.5 离散余弦变换 | 第38-39页 |
| 2.3 人脸识别算法 | 第39-46页 |
| 2.3.1 引言 | 第39-40页 |
| 2.3.2 主成分分析(PCA) | 第40-41页 |
| 2.3.3 线性判别分析(LDA) | 第41-42页 |
| 2.3.4 Gabor小波 | 第42-43页 |
| 2.3.5 支持向量机（SVM） | 第43-44页 |
| 2.3.6 贝叶斯网络（BML） | 第44页 |
| 2.3.7 隐马尔可夫模型（HMM） | 第44-45页 |
| 2.3.8 人工神经网络（ANN） | 第45-46页 |
| 2.4 主要评测用人脸识别数据库 | 第46-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 基于局部特征的人脸识别 | 第50-76页 |
| 3.1 引言 | 第50-51页 |
| 3.2 基本的局部二元模式和基本的完整局部二元模式 | 第51-54页 |
| 3.2.1 LBP算子模型 | 第51-52页 |
| 3.2.2 CLBP算子模型 | 第52-54页 |
| 3.3 算法描述 | 第54-58页 |
| 3.4 实验与分析 | 第58-64页 |
| 3.4.1 实验设置 | 第58页 |
| 3.4.2 结果分析 | 第58-64页 |
| 3.5 本章小结 | 第64页 |
| 3.6 基于心理学定律的局部特征提取 | 第64-76页 |
| 3.6.1 基本的韦伯局部描述子 | 第65-68页 |
| 3.6.2 韦伯完整局部二元模式 | 第68-70页 |
| 3.6.3 实验与分析 | 第70-73页 |
| 3.6.4 本节小结 | 第73-76页 |
| 第4章 基于 2DPCA、2DLDA和模糊集集成技术的人脸识别 | 第76-92页 |
| 4.1 引言 | 第76-77页 |
| 4.2 算法描述 | 第77-83页 |
| 4.2.1 离散余弦变换 | 第77-78页 |
| 4.2.2 二维主成分分析（2DPCA） | 第78-79页 |
| 4.2.3 二维线性判别分析（2DLDA） | 第79页 |
| 4.2.4 模糊集、模糊K近邻 | 第79-82页 |
| 4.2.5 模糊 2DLDA | 第82-83页 |
| 4.3 本文算法 | 第83-84页 |
| 4.3.1 算法组成原理 | 第83-84页 |
| 4.3.2 本文算法步骤 | 第84页 |
| 4.4 实验与分析 | 第84-91页 |
| 4.4.1 ORL人脸库上的测试 | 第85-87页 |
| 4.4.2 在YALE人脸库上的测试 | 第87-89页 |
| 4.4.3 在FERET人脸库上的测试 | 第89-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第5章 基于组合核函数支持向量机的人脸识别 | 第92-108页 |
| 5.1 引言 | 第92-93页 |
| 5.2 算法介绍 | 第93-100页 |
| 5.2.1 核主成分分析(KPCA) | 第93-94页 |
| 5.2.2 支持向量机 | 第94-96页 |
| 5.2.3 核函数 | 第96-100页 |
| 5.2.4 K近邻法(KNN) | 第100页 |
| 5.3 本文算法流程 | 第100-102页 |
| 5.4 实验与结果分析 | 第102-106页 |
| 5.5 本章小结 | 第106-108页 |
| 第6章 基于光照判别和多支持向量机的人脸识别 | 第108-120页 |
| 6.1 引言 | 第108-109页 |
| 6.2 算法描述 | 第109-115页 |
| 6.2.1 光照方向判断 | 第109-110页 |
| 6.2.2 基于小波的光照补偿处理 | 第110-114页 |
| 6.2.3 支持向量机多分类器决策 | 第114-115页 |
| 6.2.4 加权分类识别 | 第115页 |
| 6.3 算法流程 | 第115-116页 |
| 6.4 实验结果与分析 | 第116-118页 |
| 6.4.1 数据描述 | 第116-117页 |
| 6.4.2 实验设置 | 第117页 |
| 6.4.3 结果与分析 | 第117-118页 |
| 6.5 本章小结 | 第118-120页 |
| 第7章 基于多特征融合的人脸识别 | 第120-134页 |
| 7.1 引言 | 第120-121页 |
| 7.2 基于特征融合的人脸识别 | 第121-126页 |
| 7.2.1 信息融合技术 | 第121-124页 |
| 7.2.2 Gabor特征提取 | 第124-125页 |
| 7.2.3 核独立成分分析(KICA) | 第125-126页 |
| 7.3 算法流程 | 第126-127页 |
| 7.4 实验结果与分析 | 第127-133页 |
| 7.4.1 在Yale人脸数据库上的实验 | 第128-129页 |
| 7.4.2 在AR人脸数据库上的实验 | 第129-131页 |
| 7.4.3 在FERET人脸数据库上的实验 | 第131-133页 |
| 7.5 本章小结 | 第133-134页 |
| 第8章 总结和展望 | 第134-136页 |
| 参考文献 | 第136-150页 |
| 作者简介及在学期间所取得的科研成果 | 第150-151页 |
| 致谢 | 第151页 |