| 1 绪论 | 第1-18页 |
| 1．1 引言 | 第8页 |
| 1．2 人脸识别研究的难点及意义 | 第8-9页 |
| 1．2．1 人脸识别研究的难点 | 第8页 |
| 1．2．2 人脸识别研究的意义 | 第8-9页 |
| 1．3 人脸识别技术研究现状 | 第9-12页 |
| 1．3．1 人脸的检测和定位 | 第9-10页 |
| 1．3．2 人脸表示 | 第10页 |
| 1．3．3 人脸鉴别 | 第10-12页 |
| 1．3．4 表情／姿态分析 | 第12页 |
| 1．3．5 生理分类 | 第12页 |
| 1．4 人工神经网络及其在人脸识别中的应用 | 第12-16页 |
| 1．4．1 神经网络的基本工作原理 | 第12-13页 |
| 1．4．2 神经网络的构成 | 第13-16页 |
| 1．4．3 神经网络在人脸识别中的应用 | 第16页 |
| 1．5 本论文的研究目标及主要研究内容 | 第16-18页 |
| 2 人脸图像的预处理 | 第18-29页 |
| 2．1 人脸图像的获取 | 第18-19页 |
| 2．2 人脸图像的平滑及噪声消除 | 第19-22页 |
| 2．3 人脸边缘检测 | 第22-24页 |
| 2．3．1 人脸边缘检测 | 第22页 |
| 2．3．2 人脸图像的二值化 | 第22-24页 |
| 2．4 人脸图像的分割 | 第24-26页 |
| 2．4．1 积分投影原理 | 第24-25页 |
| 2．4．2 人脸轮廓的确定 | 第25-26页 |
| 2．4．3 人脸的分割 | 第26页 |
| 2．5 人脸图像的归一化 | 第26-28页 |
| 2．5．1 尺寸归一化 | 第26-27页 |
| 2．5．2 灰度归一化 | 第27页 |
| 2．5．3 去均值 | 第27页 |
| 2．5．4 幅度归一化 | 第27-28页 |
| 2．6 小结 | 第28-29页 |
| 3 人脸特征的抽取 | 第29-38页 |
| 3．1 K-L变换 | 第30-33页 |
| 3．1．1 K-L展开式 | 第30-32页 |
| 3．1．2 K-L变换的性质 | 第32-33页 |
| 3．2 奇异值分解（SVD） | 第33-34页 |
| 3．3 人脸特征的提取 | 第34-37页 |
| 3．3．1 人脸特征提取原理 | 第34-36页 |
| 3．3．2 人脸特征提取算法的实现 | 第36-37页 |
| 3．4 小结 | 第37-38页 |
| 4 MD+FNN组合分类器研究 | 第38-51页 |
| 4．1 最小距离分类器 | 第39页 |
| 4．2 模糊神经网络分类器 | 第39-49页 |
| 4．2．1 模糊数学的基本知识 | 第39-43页 |
| 4．2．2 神经网络分类器 | 第43-48页 |
| 4．2．3 模糊BP网 | 第48-49页 |
| 4．3 组合分类器 | 第49页 |
| 4．4 小结 | 第49-51页 |
| 5 人脸识别实验及分析 | 第51-55页 |
| 5．1 识别系统的组成 | 第51页 |
| 5．2 人脸识别的实现 | 第51-53页 |
| 5．2．1 图像的获取 | 第51-52页 |
| 5．2．2 人脸图像的预处理 | 第52页 |
| 5．2．3 人脸特征的选择与提取 | 第52页 |
| 5．2．4 分类器设计 | 第52-53页 |
| 5．3 人脸识别实验结果与分析 | 第53-54页 |
| 5．3．1 不同训练样本数下的识别结果 | 第53页 |
| 5．3．2 不同训练人数下的识别结果 | 第53页 |
| 5．3．3 组合分类器方法与其它分类方法的识别结果的比较 | 第53-54页 |
| 5．4 小结 | 第54-55页 |
| 6 结论与展望 | 第55-57页 |
| 6．1 全文总结 | 第55页 |
| 6．2 结论 | 第55页 |
| 6．3 研究展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59页 |