| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1．1 生物识别技术和人脸识别技术 | 第8-11页 |
| 1．1．1 生物识别技术 | 第8-10页 |
| 1．1．2 计算机人脸识别技术 | 第10-11页 |
| 1．2 人脸识别系统的组成 | 第11-12页 |
| 1．3 人脸识别现有的特征提取与识别的主要方法 | 第12-14页 |
| 1．4 本论文的主要工作和章节安排 | 第14-16页 |
| 2 几种典型的人脸识别的统计方法 | 第16-37页 |
| 2．1 主特征分析(PCA) | 第16-24页 |
| 2．1．1 主特征分析的基本原理 | 第16页 |
| 2．1．2 离散 KL变换 | 第16-20页 |
| 2．1．3 KL变换用于人脸识别 | 第20-22页 |
| 2．1．4 主成分分析用于人脸识别的实验 | 第22-24页 |
| 2．2 Fisher脸方法 | 第24-31页 |
| 2．2．1 多类问题的FLD | 第25-27页 |
| 2．2．2 Fisher线性准则用于人脸识别 | 第27-29页 |
| 2．2．3 Fisher脸方法用于人脸识别的实验结果 | 第29-31页 |
| 2．3 独立成分分析(ICA)方法 | 第31-36页 |
| 2．3．1 ICA的模型及最大信息量训练方法 | 第32-33页 |
| 2．3．2 ICA用于人脸识别 | 第33-35页 |
| 2．3．3 ICA用于人脸识别的实验 | 第35-36页 |
| 2．4 三种统计方法用于人脸识别的总结 | 第36-37页 |
| 3 支持向量机用于人脸特征的分类 | 第37-68页 |
| 3．1 统计学习理论与支持向量机 | 第37-43页 |
| 3．1．1 SVM理论背景 | 第37-39页 |
| 3．1．2 SVM方法 | 第39-43页 |
| 3．2 支持向量机的序贯最小优化法 | 第43-48页 |
| 3．2．1 支持向量机的各种训练方法 | 第43-44页 |
| 3．2．2 序贯最小优化算法 | 第44-48页 |
| 3．3 SVM在解决模式分类问题的实验 | 第48-50页 |
| 3．3．1 对存在重合区域的成高斯分布的两个模式的分类 | 第48-49页 |
| 3．3．2 对于人脸PCA特征进行分类 | 第49-50页 |
| 3．4 利用两类SVM分类器组成多类分类器 | 第50-57页 |
| 3．4．1 多类问题中样本表示方法的描述 | 第51页 |
| 3．4．2 一对多的组合方法 | 第51-53页 |
| 3．4．3 一对一的组合方法 | 第53-54页 |
| 3．4．4 m-ary方法 | 第54-56页 |
| 3．4．5 二叉树的组合方式 | 第56-57页 |
| 3．4．6 二类SVM构成多类分类器的总结 | 第57页 |
| 3．5 ECOC(Error-correcting Output Codes)方法 | 第57-64页 |
| 3．5．1 对于传统的多类 SVM分类器构成的方法的进一步分析 | 第57-59页 |
| 3．5．2 分类器的信道模型 | 第59-61页 |
| 3．5．3 ECOC方法 | 第61-64页 |
| 3．6 SVM多类分类器在人脸识别中的应用 | 第64-68页 |
| 4 一个简单的人脸识别系统 | 第68-71页 |
| 5 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 大连理工大学学位论文版权使用授权书 | 第78页 |
