| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·人脸识别的概述 | 第10-12页 |
| ·人脸识别的研究内容 | 第10-11页 |
| ·人脸识别研究难点 | 第11-12页 |
| ·人脸识别的应用 | 第12页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·论文的主要工作 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第2章 人脸识别特征提取和分类的相关技术 | 第16-24页 |
| ·人脸图像库 | 第16-17页 |
| ·人脸识别的特征提取方法 | 第17-20页 |
| ·基于各种主成分的特征提取 | 第18页 |
| ·基于Fisher脸法的特征提取 | 第18-19页 |
| ·基于独立成分分析(ICA)的特征提取 | 第19-20页 |
| ·人脸识别的分类方法 | 第20-22页 |
| ·相关系数分类法 | 第20-21页 |
| ·欧氏距离分类法 | 第21页 |
| ·BP神经网络分类方法 | 第21-22页 |
| ·支持向量机分类方法 | 第22页 |
| ·本章小结 | 第22-24页 |
| 第3章 基于主成分分析的人脸识别特征提取算法的研究与实现 | 第24-38页 |
| ·主成分分析(PCA) | 第24-26页 |
| ·主成分分析的基本原理 | 第24-25页 |
| ·基于PCA人脸识别的特征提取 | 第25-26页 |
| ·二维主成分分析(2DPCA) | 第26-27页 |
| ·2DPCA的原理 | 第26-27页 |
| ·基于2DPCA人脸识别的特征提取 | 第27页 |
| ·基于主成分分析算法的人脸识别实验 | 第27-36页 |
| ·基于PCA的人脸识别实验 | 第27-33页 |
| ·基于2DPCA的人脸识别实验 | 第33-35页 |
| ·基于PCA和2DPCA的人脸重构 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第4章 基于BP神经网络的人脸识别分类算法的研究与实现 | 第38-52页 |
| ·感知器 | 第38-40页 |
| ·单层感知器 | 第39-40页 |
| ·多层感知器网络 | 第40页 |
| ·BP神经网络 | 第40-46页 |
| ·BP神经元网络结构 | 第41页 |
| ·BP神经元网络学习规则 | 第41-43页 |
| ·BP神经网络的设计 | 第43-46页 |
| ·基于BP神经网络分类算法的人脸识别实验 | 第46-51页 |
| ·基于BP神经网络分类的人脸识别算法 | 第46-48页 |
| ·BP神经元网络对人脸特征进行分类 | 第48-49页 |
| ·实验结果 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 基于支持向量机的人脸识别分类算法的研究与实现 | 第52-72页 |
| ·支持向量机 | 第52-58页 |
| ·线性支持向量机 | 第53-56页 |
| ·非线性支持向量机 | 第56-57页 |
| ·支持向量机的核函数 | 第57-58页 |
| ·多分类支持向量机 | 第58-60页 |
| ·多分类支持向量机概述 | 第58-59页 |
| ·多类支持向量机算法 | 第59-60页 |
| ·基于支持向量机分类器算法的人脸识别实验 | 第60-67页 |
| ·SVM训练和测试步骤 | 第60页 |
| ·核函数的确定与参数的选择 | 第60-61页 |
| ·基于支持向量机"一对多"分类器算法的人脸识别实验 | 第61-64页 |
| ·基于支持向量机"一对一"分类器算法的人脸识别实验 | 第64-67页 |
| ·基于多分类器融合的人脸识别算法设计 | 第67-70页 |
| ·分类器融合的原因 | 第67页 |
| ·分类器融合的方法 | 第67-69页 |
| ·基于多分类器融合的人脸识别实验结果及分析 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 第6章 结论与展望 | 第72-74页 |
| ·本文结论 | 第72页 |
| ·下一步研究方向 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |
