| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-15页 |
| 第1章 绪论 | 第15-27页 |
| ·生物特征识别简介 | 第16-19页 |
| ·生物特征识别 | 第16-17页 |
| ·生物特征识别系统 | 第17-19页 |
| ·人脸识别技术 | 第19-22页 |
| ·人脸识别技术的发展 | 第19-20页 |
| ·人脸识别系统 | 第20-22页 |
| ·本文的研究背景与意义 | 第22-25页 |
| ·本文的内容和结构安排 | 第25-27页 |
| 第2章 预备知识 | 第27-39页 |
| ·生物特征识别系统的性能衡量指标 | 第27-28页 |
| ·图像预处理方法 | 第28-30页 |
| ·特征表示方法 | 第30-33页 |
| ·像素特征 | 第31页 |
| ·局部二元模式 | 第31-33页 |
| ·几种在本文中涉及的数学方法 | 第33-37页 |
| ·降维方法 | 第33-35页 |
| ·相似度的度量方法 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第3章 基于近红外图像的光照不变的人脸识别系统 | 第39-53页 |
| ·简介 | 第39-40页 |
| ·主动近红外图像采集设备 | 第40-42页 |
| ·光照不变的人脸表示方法 | 第42-44页 |
| ·主动近红外光照模型 | 第42-43页 |
| ·对于单调变化的补偿 | 第43-44页 |
| ·分类器的构建 | 第44-45页 |
| ·人脸图像的特征表示 | 第44页 |
| ·分类器的构建 | 第44-45页 |
| ·实验结果 | 第45-46页 |
| ·实际系统的实现 | 第46-47页 |
| ·本章小结 | 第47-53页 |
| 第4章 基于统计学习的人脸划分方法及其实验验证 | 第53-71页 |
| ·为什么需要利用部分信息 | 第53-56页 |
| ·前人的工作 | 第56-58页 |
| ·基于统计学习的人脸划分方法 | 第58-60页 |
| ·人脸部分的划分方法 | 第58-60页 |
| ·部件的选取 | 第60页 |
| ·近红外图像下基于部分的人脸识别方法 | 第60-63页 |
| ·人脸图像特征描述方法及分类器构建 | 第61页 |
| ·分类器融合方法 | 第61-63页 |
| ·实验部分 | 第63-65页 |
| ·人脸数据库 | 第63页 |
| ·分类器训练 | 第63-64页 |
| ·部件选取 | 第64-65页 |
| ·实验结果 | 第65页 |
| ·本章小结 | 第65-71页 |
| 第5章 通用的生物特征图像质量评估方法 | 第71-87页 |
| ·生物特征图像质量评估 | 第71-78页 |
| ·指纹图像质量评估 | 第72-74页 |
| ·虹膜图像质量评估 | 第74-75页 |
| ·人脸图像质量评估 | 第75-78页 |
| ·通用生物特征图像质量评估方法 | 第78-84页 |
| ·生物特征图像质量的定义 | 第79-82页 |
| ·通用生物特征图像质量评估方法 | 第82-84页 |
| ·本章小结 | 第84-87页 |
| 第6章 利用部分和人脸图像质量调整因子的人脸识别方法 | 第87-101页 |
| ·介绍 | 第87-88页 |
| ·采用部件的人脸识别方法 | 第88页 |
| ·分类器融合 | 第88-93页 |
| ·分数层融合方法 | 第89页 |
| ·基础权值计算方法 | 第89-90页 |
| ·图像质量调整因子 | 第90-93页 |
| ·实验部分 | 第93-97页 |
| ·本章小结 | 第97-101页 |
| 第7章 总结与展望 | 第101-105页 |
| ·总结 | 第101-102页 |
| ·展望 | 第102-105页 |
| 参考文献 | 第105-113页 |
| 致谢 | 第113-115页 |
| 在读期间发表的学术论文与取得的研究成果 | 第115-117页 |
| 在读期间所从事的工程项目 | 第117页 |