| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 人脸识别的研究意义 | 第10页 |
| 1.2 人脸识别的研究历史及国内外发展现状 | 第10-13页 |
| 1.3 人脸识别的优势与困难 | 第13-14页 |
| 1.4 本文的主要工作及其结构安排 | 第14-15页 |
| 第二章 基于子空间的人脸识别算法 | 第15-27页 |
| 2.1 人脸识别的主要方法 | 第15页 |
| 2.2 子空间分析技术 | 第15页 |
| 2.3 基于PCA的人脸识别 | 第15-22页 |
| 2.3.1 K-L变换原理 | 第16-17页 |
| 2.3.2 基于PCA人脸识别算法的步骤 | 第17-20页 |
| 2.3.3 基于PCA算法人脸识别的MATLAB实验结果 | 第20-22页 |
| 2.4 基于LDA的人脸识别 | 第22-27页 |
| 2.4.1 LDA算法原理概述 | 第23-25页 |
| 2.4.2 基于LDA算法人脸识别的实验结果 | 第25-27页 |
| 第三章 基于白化/低通滤波器的图像预处理方法 | 第27-36页 |
| 3.1 人脸图像的预处理方法 | 第27-28页 |
| 3.1.1 直方图均衡化 | 第27页 |
| 3.1.2 灰度拉伸 | 第27-28页 |
| 3.1.3 中值滤波 | 第28页 |
| 3.1.4 同态滤波 | 第28页 |
| 3.2 白化/低通滤波器 | 第28-29页 |
| 3.3 能量谱与自相关函数的关系 | 第29-33页 |
| 3.3.1 能量谱的定义 | 第29-30页 |
| 3.3.2 自相关函数的定义 | 第30页 |
| 3.3.3 能量谱与自相关函数的关系 | 第30-31页 |
| 3.3.4 自相关函数的递减性 | 第31页 |
| 3.3.5 能量谱的递减性 | 第31-33页 |
| 3.4 人脸图像的能量谱白化 | 第33-36页 |
| 3.4.1 白化的基本原理 | 第33页 |
| 3.4.2 白化滤波器/低通滤波器 | 第33-36页 |
| 第四章 基于白化的Gabor小波和PCA相结合的人脸识别算 | 第36-49页 |
| 4.1 基于Gabor的人脸识别 | 第36-41页 |
| 4.1.1 Fourier变换 | 第36-37页 |
| 4.1.2 Gabor变换 | 第37页 |
| 4.1.3 小波理论 | 第37-38页 |
| 4.1.4 一维Gabor小波 | 第38-39页 |
| 4.1.5 二维Gabor小波 | 第39-41页 |
| 4.2 人脸特征提取 | 第41-42页 |
| 4.2.1 人脸表情的Gabor小波特征提取 | 第41-42页 |
| 4.3 基于白化的Gabor和PCA相结合的人脸识别 | 第42-49页 |
| 4.3.1 预处理 | 第43页 |
| 4.3.2 Gabor特征提取 | 第43-44页 |
| 4.3.3 PCA降维 | 第44页 |
| 4.3.4 实验结果 | 第44-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 附录 | 第57-64页 |
