| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 人脸识别的发展及现状 | 第9-10页 |
| 1.3 人脸识别面临的挑战 | 第10-11页 |
| 1.4 光照变化对人脸识别的影响 | 第11-12页 |
| 1.5 本文的主要研究内容 | 第12-14页 |
| 2 人脸识别中减小光照影响的方法 | 第14-19页 |
| 2.1 三维人脸 | 第14页 |
| 2.2 红外人脸 | 第14-15页 |
| 2.3 光照变化模型 | 第15-16页 |
| 2.3.1 光照锥方法 | 第15-16页 |
| 2.3.2 球谐函数子空间方法 | 第16页 |
| 2.4 光照不变特征 | 第16-17页 |
| 2.4.1 梯度域特征 | 第16-17页 |
| 2.4.2 商图像 | 第17页 |
| 2.4.3 LBP 方法 | 第17页 |
| 2.5 光照补偿 | 第17-18页 |
| 2.6 小结 | 第18-19页 |
| 3 基于脉冲耦合神经网络的光照补偿方法 | 第19-35页 |
| 3.1 几种典型的光照补偿方法 | 第19-23页 |
| 3.1.1 直方图均衡化 | 第19-20页 |
| 3.1.2 基于 Retinex 理论的光照补偿 | 第20-21页 |
| 3.1.3 同态滤波法 | 第21-22页 |
| 3.1.4 神经网络的方法 | 第22-23页 |
| 3.2 脉冲耦合神经网络 | 第23-27页 |
| 3.2.1 生物神经元信号的发放原理 | 第23页 |
| 3.2.2 脉冲耦合神经网络的模型 | 第23-25页 |
| 3.2.3 脉冲耦合神经网络的自动波特性分析 | 第25-27页 |
| 3.3 基于改进脉冲耦合神经网络模型的光照补偿 | 第27-33页 |
| 3.3.1 图像的统计特性分析 | 第27-29页 |
| 3.3.2 anisotropic-PCNN 模型设计 | 第29-31页 |
| 3.3.3 基于 anisotropic -PCNN 的图像光照补偿 | 第31-33页 |
| 3.4 光照补偿的评价参数 | 第33页 |
| 3.4.1 图像的均值 | 第33页 |
| 3.4.2 标准差 | 第33页 |
| 3.4.3 基于梯度域的图像清晰度 | 第33页 |
| 3.5 小结 | 第33-35页 |
| 4 基于 LBP 的人脸识别方法 | 第35-43页 |
| 4.1 人脸识别方法分类 | 第35页 |
| 4.2 基于局部二值模式（LBP）的人脸识别 | 第35-39页 |
| 4.2.1 LBP 的原理 | 第35-37页 |
| 4.2.2 LBP 的特点 | 第37-38页 |
| 4.2.3 LBP 用于人脸识别 | 第38-39页 |
| 4.3 LBP 子块人脸识别 | 第39-42页 |
| 4.3.1 几种代表性的 LBP 子块人脸识别 | 第39-40页 |
| 4.3.2 基于局部 LBP 子块的人脸识别 | 第40-42页 |
| 4.4 小结 | 第42-43页 |
| 5 改进的光照补偿方法在 LBP 人脸识别中的应用 | 第43-59页 |
| 5.1 光照补偿对比实验及分析 | 第43-49页 |
| 5.1.1 在 Yale B 人脸数据库中的光照补偿实验 | 第43-47页 |
| 5.1.2 在 MCU-PIE 人脸数据库中的光照补偿实验 | 第47-49页 |
| 5.2 基于 Yale B 人脸数据库的人脸识别实验 | 第49-51页 |
| 5.3 基于 OpenCV 的人脸识别系统 | 第51-58页 |
| 5.3.1 系统的主要硬件 | 第51-54页 |
| 5.3.2 人脸识别流程 | 第54-55页 |
| 5.3.3 基于 OpenCV 的人脸识别系统实现 | 第55-58页 |
| 5.4 小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 论文总结 | 第59-60页 |
| 6.2 论文展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
| A. 作者在攻读学位期间发表的论文目录 | 第66页 |
