| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 人脸识别研究的背景及意义 | 第10-11页 |
| 1.2 人脸识别的发展与现状 | 第11-14页 |
| 1.2.1 人脸识别步骤 | 第11-12页 |
| 1.2.2 人脸识别技术的发展历程 | 第12-13页 |
| 1.2.3 人脸识别的研究现状 | 第13-14页 |
| 1.3 本文的主要内容和结构安排 | 第14-16页 |
| 第二章 稀疏表示的分类算法研究 | 第16-22页 |
| 2.1 稀疏表示理论的数学模型 | 第16-17页 |
| 2.2 稀疏表示的分类算法研究 | 第17-21页 |
| 2.2.1 处理信号噪声 | 第17-18页 |
| 2.2.2 基于稀疏表示的人脸识别算法 | 第18-19页 |
| 2.2.3 与相关分类算法对比 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于稀疏表示的分块人脸识别算法 | 第22-31页 |
| 3.1 基于原型加变差的稀疏表示分类算法 | 第22-24页 |
| 3.2 基于稀疏表示的分块人脸识别算法 | 第24-27页 |
| 3.3 实验结果及分析 | 第27-30页 |
| 3.3.1 AR人脸库 | 第27-29页 |
| 3.3.2 Extended Yale B人脸库 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于高维特征和稀疏表示的人脸识别算法 | 第31-49页 |
| 4.1 引言 | 第31页 |
| 4.2 人脸关键点定位 | 第31-36页 |
| 4.2.1 几种关键点定位方法 | 第31-33页 |
| 4.2.2 基于直接形状回归的特征点定位算法 | 第33-36页 |
| 4.3 基于LBP的人脸特征提取方法 | 第36-40页 |
| 4.3.1 特征提取方法介绍 | 第36-37页 |
| 4.3.2 局部二值模式 | 第37-40页 |
| 4.4 基于多尺度高维LBP和稀疏表示的人脸识别算法 | 第40-45页 |
| 4.4.1 字典设计 | 第41-43页 |
| 4.4.2 稀疏求解 | 第43页 |
| 4.4.3 分类判别 | 第43-44页 |
| 4.4.4 算法流程 | 第44-45页 |
| 4.5 实验结果及分析 | 第45-48页 |
| 4.5.1 算法效果对比 | 第45-47页 |
| 4.5.2 多尺度和关键点个数分析 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 全文总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 在校期间发表的论文、科研成果等 | 第55-56页 |
| 致谢 | 第56页 |