| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-12页 |
| ·课题的研究背景与意义 | 第9-10页 |
| ·人脸识别的发展与现状 | 第10-11页 |
| ·本文的工作 | 第11页 |
| ·本文的组织 | 第11-12页 |
| 第2章 支持向理机与粗糙集理论 | 第12-25页 |
| ·支持向量机理论 | 第12-19页 |
| ·支持向量机简介 | 第12页 |
| ·支持向量机相关理论背景 | 第12-14页 |
| ·支持向量机的基本方法 | 第14-16页 |
| ·核函数 | 第16-17页 |
| ·参数选择方法 | 第17-18页 |
| ·SVM 改进算法 | 第18-19页 |
| ·粗糙集理论 | 第19-24页 |
| ·粗糙集理论简介 | 第19-20页 |
| ·粗糙集理论基本概念 | 第20-21页 |
| ·粗糙集的约简与核 | 第21-22页 |
| ·信息熵与粗糙集 | 第22-23页 |
| ·属性的重要性 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于粗集边界和 V- SVM 混合分类算法 | 第25-32页 |
| ·算法设计思想及总体框架 | 第25页 |
| ·RSM-V-SVM 混合分类算法 | 第25-28页 |
| ·粗集方法预选支持向量 | 第25-26页 |
| ·改进的V-SVM 算法 | 第26-28页 |
| ·算法描述 | 第28-29页 |
| ·实验结果分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于属性约简和 RSM-V-SVM 的人脸识别 | 第32-40页 |
| ·人脸图像预处理 | 第32-33页 |
| ·结合KPCA 和属性约简特征提取方法 | 第33-36页 |
| ·KPCA 特征提取 | 第33-35页 |
| ·基于粗集的属性约简特征筛选 | 第35-36页 |
| ·RSM-V-SVM 混合分类器设计 | 第36-37页 |
| ·实验结果分析 | 第37-39页 |
| ·实验环境及人脸库 | 第37-38页 |
| ·实验数据分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 结束语 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 致谢 | 第44-45页 |
| 附录(攻读学位期间发表论文目录) | 第45页 |