| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.1.1 单样本人脸识别的研究背景 | 第10-11页 |
| 1.1.2 单样本人脸识别的研究意义 | 第11-12页 |
| 1.1.3 人脸识别流程 | 第12-13页 |
| 1.2 国内外研究概况 | 第13-17页 |
| 1.2.1 图像增强法 | 第13页 |
| 1.2.2 通用学习法 | 第13-14页 |
| 1.2.3 样本扩充法 | 第14-15页 |
| 1.2.4 特征子空间扩展法 | 第15-16页 |
| 1.2.5 三维建模法 | 第16-17页 |
| 1.3 本文主要工作和结构 | 第17-19页 |
| 1.3.1 本文的主要工作 | 第17页 |
| 1.3.2 本文的结构安排 | 第17-19页 |
| 第二章 人脸图像的Gabor小波特征 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 一维Gabor小波 | 第19-21页 |
| 2.3 二维Gabor小波 | 第21-22页 |
| 2.4 人脸图像的Gabor小波特征 | 第22-25页 |
| 2.5 小结 | 第25-27页 |
| 第三章 单样本下可变光照人脸识别 | 第27-36页 |
| 3.1 引言 | 第27页 |
| 3.2 二维DCT特征 | 第27-29页 |
| 3.2.1 二维离散余弦变换 | 第27-28页 |
| 3.2.2 二维DCT特征提取 | 第28-29页 |
| 3.3 分类识别 | 第29-30页 |
| 3.3.1 最近邻分类器 | 第29-30页 |
| 3.3.2 距离度量 | 第30页 |
| 3.4 实验结果与分析 | 第30-35页 |
| 3.5 小结 | 第35-36页 |
| 第四章 基于Gabor特征和增强类模型的线性回归单样本人脸识别 | 第36-48页 |
| 4.1 引言 | 第36-37页 |
| 4.2 PCA降维 | 第37-38页 |
| 4.3 线性回归分类(LRC) | 第38-39页 |
| 4.3.1 线性回归与参数估计 | 第38页 |
| 4.3.2 线性回归分类与人脸识别 | 第38-39页 |
| 4.4 基于增强类模型(ECM)的线性回归分类 | 第39-42页 |
| 4.4.1 通用人脸变化特征 | 第40-41页 |
| 4.4.2 增强类模型 | 第41-42页 |
| 4.5 算法流程 | 第42-43页 |
| 4.6 实验结果与分析 | 第43-47页 |
| 4.7 小结 | 第47-48页 |
| 第五章 基于Gabor特征的自适应非线性回归单样本人脸识别 | 第48-56页 |
| 5.1 引言 | 第48-49页 |
| 5.2 基于Gabor特征的自适应非线性回归分类 | 第49-52页 |
| 5.2.1 非线性映射与核函数 | 第49页 |
| 5.2.2 基于核函数的非线性回归 | 第49-51页 |
| 5.2.3 算法流程 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-55页 |
| 5.4 小结 | 第55-56页 |
| 第六章 全文总结和展望 | 第56-59页 |
| 6.1 全文总结 | 第56-57页 |
| 6.2 工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻硕期间取得的研究成果 | 第64-65页 |