| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 人脸识别系统的组成 | 第13页 |
| 1.4 本文的主要内容及结构安排 | 第13-15页 |
| 第二章 理论基础 | 第15-30页 |
| 2.1 图像预处理 | 第15-16页 |
| 2.1.1 直方图均衡化 | 第15-16页 |
| 2.1.2 边缘检测 | 第16页 |
| 2.1.3 尺寸缩放 | 第16页 |
| 2.2 小波变换 | 第16-22页 |
| 2.2.1 连续小波变换 | 第17页 |
| 2.2.2 离散小波变换 | 第17-18页 |
| 2.2.3 小波变换的多分辨率分析 | 第18-19页 |
| 2.2.4 二维多分辨率分析与小波空间分解 | 第19-22页 |
| 2.3 小波包变换 | 第22-25页 |
| 2.3.1 小波包定义 | 第22-23页 |
| 2.3.2 小波空间的精细分割及小波包 Mallat 算法 | 第23-25页 |
| 2.4 主成分分析相关理论 | 第25-28页 |
| 2.4.1 PCA 理论 | 第25-26页 |
| 2.4.2 2DPCA 理论 | 第26-27页 |
| 2.4.3 (2D)~2PCA 理论 | 第27-28页 |
| 2.5 支持向量机 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 分块小波包变换和(2D)~2PCA 的人脸识别 | 第30-36页 |
| 3.1 人脸识别算法 | 第30-31页 |
| 3.2 图像分块思想 | 第31-32页 |
| 3.3 人脸图像的小波包分解 | 第32-33页 |
| 3.4 最优节点的提取与融合 | 第33-34页 |
| 3.5 (2D)~2PCA 提取子块特征 | 第34-35页 |
| 3.6 子块组合及分类识别 | 第35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 实验及结果分析 | 第36-49页 |
| 4.1 人脸数据库 | 第36-39页 |
| 4.1.1 ORL 人脸数据库 | 第36-37页 |
| 4.1.2 Yale 人脸数据库 | 第37页 |
| 4.1.3 Yale B 人脸数据库 | 第37-38页 |
| 4.1.4 UMIST 人脸数据库 | 第38-39页 |
| 4.2 算法的有效性研究 | 第39-40页 |
| 4.3 算法相关参数的研究 | 第40-46页 |
| 4.3.1 分块方式对识别率的影响 | 第41-42页 |
| 4.3.2 小波基函数的选取对识别率的影响 | 第42-44页 |
| 4.3.3 小波包分解层数对识别率的影响 | 第44-45页 |
| 4.3.4 训练测试样本比例对识别率的影响 | 第45-46页 |
| 4.4 算法的鲁棒性研究 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 在校期间的研究成果及发表的学术论文 | 第54-55页 |
| 致谢 | 第55-56页 |
| 附录 1：2*2 分块所有叶子节点图像的识别准确率 | 第56-58页 |
| 附录 2：1*1 分块所有叶子节点图像的识别准确率 | 第58-59页 |
| 附录 3：4*2 分块所有叶子节点图像的识别准确率 | 第59-63页 |
| 附录 4：3 层分解所有叶子节点图像的识别准确率 | 第63-64页 |
