基于子空间分析和支持向量机的人耳识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究的背景及意义 | 第9页 |
| ·人耳识别技术综述 | 第9-13页 |
| ·人耳自动识别系统 | 第9-11页 |
| ·人耳识别研究现状 | 第11-12页 |
| ·基于子空间分析的人耳特征提取方法概述 | 第12-13页 |
| ·支持向量机(SVM)技术概述 | 第13页 |
| ·本文的研究内容及安排 | 第13-15页 |
| 第2章 人耳图像预处理 | 第15-23页 |
| ·引言 | 第15页 |
| ·人耳图像的灰度化处理 | 第15-16页 |
| ·人耳图像的降噪处理 | 第16-17页 |
| ·人耳图像的分割 | 第17-20页 |
| ·基于灰度差投影的人耳初步定位 | 第17-20页 |
| ·人耳图像的分割 | 第20页 |
| ·人耳图像的归一化 | 第20-22页 |
| ·尺寸归一化 | 第21页 |
| ·灰度归一化 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于线性子空间的人耳特征提取 | 第23-63页 |
| ·引言 | 第23页 |
| ·基于线性子空间分析方法的人耳特征提取 | 第23-44页 |
| ·主成分分析(PCA)方法 | 第23-26页 |
| ·Fisher线性判别分析方法 | 第26-30页 |
| ·基于奇异值分解的方法 | 第30-35页 |
| ·基于独立成分分析(ICA)的人脸特征提取 | 第35-39页 |
| ·基于非负矩阵分解的特征提取 | 第39-44页 |
| ·实验研究及分析 | 第44-61页 |
| ·PCA实验研究 | 第45-49页 |
| ·FLDA实验研究 | 第49-53页 |
| ·SVD实验研究 | 第53-54页 |
| ·ICA实验研究 | 第54-58页 |
| ·NMF实验研究 | 第58-61页 |
| ·基于线性子空间的特征提取方法性能比较 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 基于核方法的人耳特征提取 | 第63-79页 |
| ·核方法 | 第63-66页 |
| ·核方法的理论背景 | 第63-65页 |
| ·核方法的基本思想 | 第65-66页 |
| ·基于KPCA的特征提取 | 第66-74页 |
| ·基本原理 | 第66-68页 |
| ·KPCA用于人耳图像特征提取的算法实现 | 第68-69页 |
| ·实验研究 | 第69-74页 |
| ·基于KICA的特征提取 | 第74-78页 |
| ·基本原理 | 第74-75页 |
| ·KICA用于人耳图像特征提取的步骤 | 第75-76页 |
| ·实验研究 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 基于支持向量机的人耳识别方法研究 | 第79-104页 |
| ·机器学习的基本理论 | 第79-81页 |
| ·机器学习的问题描述 | 第79-80页 |
| ·经验风险最小化 | 第80页 |
| ·复杂性与推广性 | 第80-81页 |
| ·统计学习理论的核心内容 | 第81-85页 |
| ·学习过程一致性的条件 | 第81页 |
| ·函数集的VC维 | 第81-82页 |
| ·泛化性的界 | 第82-84页 |
| ·结构风险最小化原则 | 第84-85页 |
| ·支持向量机 | 第85-91页 |
| ·最优分类面 | 第85-86页 |
| ·支持向量机 | 第86-89页 |
| ·标准SVM二值分类仿真实验 | 第89-91页 |
| ·实现多值分类的支持向量机 | 第91-94页 |
| ·几种SVM多值分类策略 | 第91-93页 |
| ·支持向量机多值分类算法的比较 | 第93-94页 |
| ·支持向量机的实现算法 | 第94页 |
| ·基于多值分类支持向量机的人耳识别实验 | 第94-103页 |
| ·实验步骤和方法 | 第94-95页 |
| ·实验结果 | 第95-97页 |
| ·结果分析与讨论 | 第97-103页 |
| ·本章小结 | 第103-104页 |
| 第6章 结论与展望 | 第104-107页 |
| ·全文工作总结 | 第104-105页 |
| ·结论 | 第105页 |
| ·有待进一步研究的问题 | 第105-107页 |
| 致谢 | 第107-108页 |
| 参考文献 | 第108-111页 |
| 附录A 支持向量机的实现算法 | 第111-114页 |
| 攻读学位期间的研究成果 | 第114页 |
