| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 生物识别技术 | 第10-13页 |
| 1.1.1 生物识别技术的发展 | 第10-11页 |
| 1.1.2 现有的生物识别技术 | 第11-13页 |
| 1.2 人脸识别技术 | 第13-17页 |
| 1.2.1 人脸识别技术的研究背景及意义 | 第14-15页 |
| 1.2.2 人脸识别技术研究内容 | 第15页 |
| 1.2.3 人脸识别技术发展历史 | 第15-16页 |
| 1.2.4 人脸识别技术研究现状及发展趋势 | 第16-17页 |
| 1.3 人脸识别系统 | 第17-21页 |
| 1.3.1 人脸识别系统定义 | 第17页 |
| 1.3.2 基于人脸识别系统的应用 | 第17-21页 |
| 1.4 系统评测用到的数据库 | 第21页 |
| 1.5 本论文章节安排 | 第21-23页 |
| 第2章 人脸图像光照预处理方法 | 第23-28页 |
| 2.1 光照预处理综述 | 第23-24页 |
| 2.2 基于光照归一化的图像处理方法 | 第24-26页 |
| 2.2.1 直方图均衡化 | 第24-25页 |
| 2.2.2 Gamma 灰度校正法 | 第25-26页 |
| 2.2.3 基于对数域离散余弦变化方法的光照归一化（Log-DCT） | 第26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 基于 SIFT 和 Adaboost 的人脸检测方法 | 第28-36页 |
| 3.1 关于人脸检测 | 第28-29页 |
| 3.2 尺度不变特征转换（SIFT） | 第29-32页 |
| 3.2.1 联合高斯函数检测潜在特征不变极值点 | 第29-31页 |
| 3.2.2 特征点的方向指定 | 第31页 |
| 3.2.3 特征点描述子的生成 | 第31-32页 |
| 3.3 Adaboost 分类器 | 第32-33页 |
| 3.4 基于 SIFT 和 Adaboost 的人脸检测方法 | 第33-34页 |
| 3.5 实验与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于子空间的人脸识别方法 | 第36-45页 |
| 4.1 基于线性子空间的人脸识别方法 | 第36-39页 |
| 4.1.1 主成分分析法（PCA） | 第36-37页 |
| 4.1.2 独立元素分析法（ICA） | 第37-38页 |
| 4.1.3 线性判别分析法（LDA） | 第38-39页 |
| 4.2 离散余弦变换法（DCT） | 第39-40页 |
| 4.3 融合后的人脸识别算法 | 第40-42页 |
| 4.3.1 基于 PCA 和 ICA 的人脸识别算法 | 第40-41页 |
| 4.3.2 基于 PCA 和 LDA 的人脸识别算法 | 第41-42页 |
| 4.3.3 基于 DCT 和 LDA 的人脸识别算法 | 第42页 |
| 4.4 实验与分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于 DCT 和 LDA 融合的人脸识别系统的实现 | 第45-51页 |
| 5.1 基于 DCT+LDA 的人脸识别系统 | 第45-48页 |
| 5.1.1 系统功能模块 | 第46-47页 |
| 5.1.2 系统工作流程 | 第47-48页 |
| 5.2 实验与分析 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
