| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 人脸识别算法研究历程 | 第10-11页 |
| 1.3 实验数据库及介绍 | 第11-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 1.5 本文组织结构安排 | 第16-19页 |
| 第2章 经典算法概述 | 第19-25页 |
| 2.1 经典的子空间学习方法 | 第19-22页 |
| 2.1.1 主成分分析 | 第19-20页 |
| 2.1.2 线性判别分析法 | 第20-22页 |
| 2.2 基于稀疏和低秩约束的子空间学习方法 | 第22-25页 |
| 2.2.1 基于稀疏表示的分类 | 第22-23页 |
| 2.2.2 基于低秩表示的分类 | 第23-25页 |
| 第3章 基于弹性网正则化表示学习的图像识别方法 | 第25-37页 |
| 3.1 引言 | 第25-27页 |
| 3.2 相关工作介绍 | 第27-28页 |
| 3.2.1 鲁棒性主成分分析 | 第27页 |
| 3.2.2 低秩表示 | 第27-28页 |
| 3.3 具有判别性的弹性网正则化表示学习 | 第28-29页 |
| 3.3.1 具有判别性的弹性网正则化表示学习 | 第28-29页 |
| 3.4 具有判别性的弹性网正则化表示学习(DENRL)的优化算法 | 第29-33页 |
| 3.5 具有判别性的弹性网正则化表示学习(DENRL)实验结果 | 第33-36页 |
| 3.5.1 DENRL算法在Extended Yale_B数据库上的实验结果 | 第33-34页 |
| 3.5.2 DENRL算法在AR人脸数据库上的实验结果 | 第34-35页 |
| 3.5.3 DENRL算法在Fifteen Scene Categorie数据库上的实验结果 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于协同表示的池化降维方法 | 第37-51页 |
| 4.0 引言 | 第37-39页 |
| 4.1 相关工作介绍 | 第39-40页 |
| 4.1.1 协同表示分类算法基本原理 | 第39页 |
| 4.1.2 基于SRC的维数约减算法 | 第39-40页 |
| 4.2 基于协同表示的池化降维方法 | 第40-42页 |
| 4.2.1 池化操作 | 第40-41页 |
| 4.2.2 基于协同表示的池化降维方法 | 第41-42页 |
| 4.3 基于协同表示的池化降维算法的合理性分析 | 第42-44页 |
| 4.4 基于协同表示的池化降维方法的实验结果 | 第44-49页 |
| 4.4.1 基于协同表示的池化降维方法在ORL数据库上的实验结果 | 第44-46页 |
| 4.4.2 基于协同表示的池化降维方法在JAFFE数据库上的实验结果 | 第46-47页 |
| 4.4.3 基于协同表示的池化降维方法在AR数据库上的实验结果 | 第47-48页 |
| 4.4.4 基于协同表示的池化降维方法在GT数据库上的实验结果 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 论文工作总结 | 第51-52页 |
| 5.2 今后工作和研究的展望 | 第52-53页 |
| 参考文献 | 第53-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间科研成果 | 第63页 |
