| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 理论基础 | 第14-26页 |
| 2.1 稀疏约束模型介绍 | 第14-15页 |
| 2.2 范数定义及应用 | 第15-17页 |
| 2.3 稀疏表示人脸识别算法 | 第17-18页 |
| 2.4 常用鲁棒性稀疏表示算法介绍 | 第18-25页 |
| 2.4.1 非负矩阵分解的低秩矩阵恢复模型 | 第18-20页 |
| 2.4.2 稀疏变化字典学习 | 第20-21页 |
| 2.4.3 Fisher字典学习 | 第21-23页 |
| 2.4.4 联合稀疏表示 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于小样本字典的鲁棒性人脸识别算法 | 第26-37页 |
| 3.1 小样本问题描述 | 第26页 |
| 3.2 鲁棒性算法模型 | 第26-31页 |
| 3.2.1 构造稀疏变化字典 | 第27-28页 |
| 3.2.2 人脸图像分块 | 第28-29页 |
| 3.2.3 邻域分块及其权重系数定义 | 第29-30页 |
| 3.2.4 投票分类策略 | 第30-31页 |
| 3.3 基于K邻域分块自动加权的鲁棒性稀疏表示分类算法 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 3.4.1 实验数据库及参数设置 | 第32-33页 |
| 3.4.2 实验结果及分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 均方差度量分块的加权稀疏表示算法 | 第37-46页 |
| 4.1 问题描述 | 第37-38页 |
| 4.2 算法模型 | 第38-41页 |
| 4.2.1 均方差度量分块 | 第38-39页 |
| 4.2.2 自动设置权重 | 第39-40页 |
| 4.2.3 两种加权策略 | 第40-41页 |
| 4.3 均方差度量分块的加权稀疏表示算法 | 第41-42页 |
| 4.4 实验仿真及分析 | 第42-45页 |
| 4.4.1 实验描述及分块大小选择 | 第42-43页 |
| 4.4.2 实验结果及分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 带PCA卷积的鲁棒性特征字典训练算法 | 第46-57页 |
| 5.1 引言 | 第46-47页 |
| 5.2 PCA算法提取卷积核 | 第47-50页 |
| 5.2.1 图像分块去均值化 | 第47-48页 |
| 5.2.2 PCA抽取分块特征 | 第48-49页 |
| 5.2.3 特征稀疏化 | 第49-50页 |
| 5.3 带PCA卷积的稀疏表示算法 | 第50-51页 |
| 5.4 实验验证及算法分析 | 第51-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63-64页 |
| 图版 | 第64-65页 |