| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第17-27页 |
| 1.1 特征提取方法概述 | 第18-20页 |
| 1.1.1 线性特征提取方法研究现状 | 第18-19页 |
| 1.1.2 非线性特征提取方法研究现状 | 第19-20页 |
| 1.2 稀疏表示概述 | 第20-23页 |
| 1.2.1 稀疏表示原理 | 第21-22页 |
| 1.2.2 常用求解稀疏编码的算法 | 第22-23页 |
| 1.3 字典学习理论 | 第23-25页 |
| 1.3.1 最优方向方法 | 第24页 |
| 1.3.2 K-奇异值分解算法 | 第24-25页 |
| 1.4 本文研究工作概述 | 第25-26页 |
| 1.5 本文的组织结构 | 第26-27页 |
| 2 基于稀疏表示分类器的最优鉴别投影方法 | 第27-41页 |
| 2.1 引言 | 第27-28页 |
| 2.2 相关工作 | 第28-30页 |
| 2.2.1 稀疏表示分类器 | 第28-29页 |
| 2.2.2 基于稀疏表示分类器的鉴别投影方法(SRC-DP) | 第29-30页 |
| 2.2.3 基于正交约束的迹比优化问题 | 第30页 |
| 2.3 基于迹比优化的鉴别投影方法 | 第30-31页 |
| 2.3.1 模型的提出 | 第30-31页 |
| 2.3.2 模型的优化 | 第31页 |
| 2.4 基于两级优化模型的鉴别投影方法 | 第31-35页 |
| 2.4.1 模型的提出 | 第31-32页 |
| 2.4.2 模型的优化 | 第32-35页 |
| 2.5 实验结果与分析 | 第35-40页 |
| 2.5.1 在AR数据集上的实验 | 第35-37页 |
| 2.5.2 在Extended Yale B数据集上的实验 | 第37-38页 |
| 2.5.3 在CMU PIE数据集上的实验 | 第38-40页 |
| 2.5.4 讨论 | 第40页 |
| 2.6 本章小结 | 第40-41页 |
| 3 基于稀疏表示的联合核字典与鉴别投影学习方法 | 第41-57页 |
| 3.1 引言 | 第41-42页 |
| 3.2 相关工作 | 第42-43页 |
| 3.2.1 字典学习 | 第42页 |
| 3.2.2 核稀疏表示分类器 | 第42-43页 |
| 3.3 基于稀疏表示的联合核字典与鉴别投影学习方法 | 第43-47页 |
| 3.3.1 模型的提出 | 第43-44页 |
| 3.3.2 模型的优化 | 第44-45页 |
| 3.3.3 初始化设置 | 第45-46页 |
| 3.3.4 收敛性分析 | 第46页 |
| 3.3.5 分类策略 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-56页 |
| 3.4.1 参数设置 | 第48-49页 |
| 3.4.2 人脸识别 | 第49-51页 |
| 3.4.3 数字识别 | 第51-52页 |
| 3.4.4 目标分类 | 第52-53页 |
| 3.4.5 性别分类 | 第53-54页 |
| 3.4.6 时间复杂度 | 第54-56页 |
| 3.5 本章小节 | 第56-57页 |
| 4 基于协同表示的联合核字典与鉴别投影学习方法 | 第57-67页 |
| 4.1 引言 | 第57页 |
| 4.2 相关工作 | 第57-58页 |
| 4.2.1 协同表示分类器 | 第57-58页 |
| 4.3 基于协同表示的联合核字典与鉴别投影学习方法 | 第58-60页 |
| 4.3.1 核协同表示分类器 | 第58页 |
| 4.3.2 模型的提出 | 第58-59页 |
| 4.3.3 模型的优化 | 第59-60页 |
| 4.4 实验结果与分析 | 第60-66页 |
| 4.4.1 参数设置 | 第60-61页 |
| 4.4.2 人脸识别 | 第61-64页 |
| 4.4.3 物体识别 | 第64页 |
| 4.4.4 数字识别 | 第64-65页 |
| 4.4.5 运行时间 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 基于多核稀疏表示的鉴别投影方法 | 第67-81页 |
| 5.1 引言 | 第67-68页 |
| 5.2 相关工作 | 第68-69页 |
| 5.2.1 多核学习 | 第68页 |
| 5.2.2 MKL-SRC | 第68-69页 |
| 5.3 多核稀疏表示分类器 | 第69-70页 |
| 5.4 基于多核稀疏表示的正交鉴别投影 | 第70-73页 |
| 5.4.1 模型的提出 | 第70-71页 |
| 5.4.2 模型的优化 | 第71-73页 |
| 5.5 实验结果与分析 | 第73-79页 |
| 5.5.1 人脸识别 | 第74-75页 |
| 5.5.2 物体识别 | 第75页 |
| 5.5.3 数字识别 | 第75-76页 |
| 5.5.4 UCI和文本分类 | 第76页 |
| 5.5.5 MK-SRC vs. MKL-SRC | 第76-79页 |
| 5.6 本章小结 | 第79-81页 |
| 6 基于代价敏感的字典学习方法 | 第81-113页 |
| 6.1 引言 | 第81-82页 |
| 6.2 相关方法介绍 | 第82-83页 |
| 6.2.1 字典学习 | 第82页 |
| 6.2.2 代价敏感人脸识别问题 | 第82-83页 |
| 6.3 代价敏感字典学习方法在人脸识别中的应用 | 第83-89页 |
| 6.3.1 模型的提出 | 第83-84页 |
| 6.3.2 模型的优化 | 第84-85页 |
| 6.3.3 分类计划 | 第85-89页 |
| 6.4 实验结果与分析一 | 第89-95页 |
| 6.4.1 数据集描述 | 第89-90页 |
| 6.4.2 参数设置 | 第90页 |
| 6.4.3 处理遮挡图像的实验 | 第90-92页 |
| 6.4.4 与非代价敏感字典学习进行比较 | 第92-93页 |
| 6.4.5 与代价敏感子空间方法进行比较 | 第93页 |
| 6.4.6 与代价敏感分类器进行比较 | 第93-95页 |
| 6.5 代价敏感联合特征与字典学习方法 | 第95-104页 |
| 6.5.1 模型的提出 | 第96-99页 |
| 6.5.2 模型的优化 | 第99-103页 |
| 6.5.3 时间复杂度分性 | 第103页 |
| 6.5.4 分类策略 | 第103-104页 |
| 6.6 实验结果与分析二 | 第104-112页 |
| 6.6.1 实验设置 | 第105页 |
| 6.6.2 在AR和FERET数据集上的实验 | 第105-107页 |
| 6.6.3 在Faces in the Wild数据集上的实验 | 第107-108页 |
| 6.6.4 目标分类 | 第108页 |
| 6.6.5 参数分析 | 第108页 |
| 6.6.6 图像集分类 | 第108-112页 |
| 6.7 本章小结 | 第112-113页 |
| 7 总结与展望 | 第113-115页 |
| 7.1 本论文工作总结 | 第113-114页 |
| 7.2 未来工作展望 | 第114-115页 |
| 致谢 | 第115-117页 |
| 参考文献 | 第117-129页 |
| 附录A | 第129-131页 |
| 附录B | 第131-132页 |
