| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-15页 |
| ·人脸识别技术的研究与发展 | 第9-13页 |
| ·线性鉴别分析方法的研究及发展 | 第11页 |
| ·非线性鉴别分析方法研究及发展 | 第11-13页 |
| ·特征提取的其他辅助方法的研究及其发展 | 第13页 |
| ·二维鉴别特征提取方法 | 第13页 |
| ·稀疏保持投影方法 | 第13页 |
| ·本文主要研究工作概述 | 第13-14页 |
| ·本文内容章节安排 | 第14-15页 |
| 第二章 鉴别特征提取分析方法 | 第15-32页 |
| ·线性特征提取方法描述 | 第15-18页 |
| ·主元分析方法(PCA) | 第15-16页 |
| ·Fisher 鉴别分析方法(LDA) | 第16-18页 |
| ·基于核的鉴别特征提取方法描述 | 第18-25页 |
| ·核主元分析方法 | 第20-23页 |
| ·核鉴别分析方法 | 第23-25页 |
| ·局部保持投影(LPP) | 第25-27页 |
| ·广义奇异值分解理论 | 第27-29页 |
| ·统计不相关最佳鉴别矢量集 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于广义奇异值分解的统计不相关最佳鉴别矢量集(GSVD-UODV)方法 | 第32-38页 |
| ·基本思想 | 第32页 |
| ·GSVD-UODV 算法理论推导 | 第32-37页 |
| ·算法推导 | 第32-36页 |
| ·算法步骤 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于广义奇异值分解的核统计不相关最佳鉴别矢量集(GSVD-KUODV)方法 | 第38-44页 |
| ·基本思想 | 第38页 |
| ·GSVD-KUODV 算法理论推导 | 第38-43页 |
| ·算法推导 | 第38-42页 |
| ·算法步骤 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 实验结果及分析 | 第44-52页 |
| ·AR 数据库实验结果及分析 | 第44-49页 |
| ·总体GSVD-UODV 方法的实验结果及分析 | 第45-47页 |
| ·GSVD-KUODV 方法的实验结果及分析 | 第47-49页 |
| ·CAS_60 数据库实验结果及分析 | 第49-51页 |
| ·实验结论 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52页 |
| ·进一步研究方向展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及申请的专利 | 第59页 |