| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·人脸识别特征提取方法的研究现状 | 第11-13页 |
| ·人体行为识别的研究现状 | 第13-14页 |
| ·本文主要内容及结构 | 第14-16页 |
| 第2章 张量表示和线性回归模型 | 第16-26页 |
| ·张量 | 第16-19页 |
| ·张量的符号表示 | 第16-17页 |
| ·秩为 1 的张量 | 第17页 |
| ·张量的 n-模展开 | 第17-18页 |
| ·张量乘法：n-模乘积 | 第18-19页 |
| ·线性回归模型 | 第19-25页 |
| ·最小二乘法 | 第20-21页 |
| ·岭回归（ridge regression） | 第21-22页 |
| ·lasso 回归（lasso regression） | 第22-24页 |
| ·弹性网络回归（elastic net regression） | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 张量主成分分析在人体行为识别中的研究 | 第26-37页 |
| ·基于张量特征提取的人体行为识别 | 第26-27页 |
| ·张量子空间学习 | 第27-29页 |
| ·确定张量子空间的大小 | 第29页 |
| ·分类器设计 | 第29-31页 |
| ·张量距离 | 第29-30页 |
| ·基于张量距离的最近邻分类器 | 第30-31页 |
| ·张量主成分分析在行为识别中的应用 | 第31-35页 |
| ·预处理 | 第32页 |
| ·参数设置 | 第32-34页 |
| ·鲁棒性实验 | 第34-35页 |
| ·实验结果分析 | 第35页 |
| ·本章小结 | 第35-37页 |
| 第4章 基于稀疏张量的特征提取方法及其在人脸识别中的研究 | 第37-56页 |
| ·稀疏张量主成分分析 | 第37-41页 |
| ·基于张量的的线性鉴别分析方法 | 第41-45页 |
| ·张量表示的判别分析方法(DATER) | 第41-44页 |
| ·常规张量判别分析方法(GTDA) | 第44-45页 |
| ·分类器设计 | 第45-46页 |
| ·在人脸识别上的实验 | 第46-55页 |
| ·在 AR 数据库上的实验结果 | 第46-52页 |
| ·实验结果分析 | 第52页 |
| ·在 Georgia Tech(GT)数据库上的实验结果 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
