| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究内容及结构安排 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第二章 常用的图像预处理算法 | 第13-17页 |
| 2.1 引言 | 第13页 |
| 2.2 图像灰度化 | 第13-14页 |
| 2.3 z-score 标准化 | 第14页 |
| 2.4 直方图均衡化 | 第14-15页 |
| 2.5 图像平滑&图像锐化 | 第15-16页 |
| 2.5.1 图像平滑 | 第15页 |
| 2.5.2 图像锐化 | 第15-16页 |
| 2.6 本章小结 | 第16-17页 |
| 第三章 常用的分类器 | 第17-22页 |
| 3.1 最近邻分类器 | 第17-18页 |
| 3.2 支持向量机 | 第18页 |
| 3.3 贝叶斯分类器 | 第18-19页 |
| 3.4 欧式距离分类器 | 第19-20页 |
| 3.5 马氏距离分类器 | 第20页 |
| 3.6 神经网络分类器 | 第20-21页 |
| 3.7 基于压缩感知的分类器 | 第21页 |
| 3.8 本章小结 | 第21-22页 |
| 第四章 现有基于线性子空间的维数约简方法 | 第22-33页 |
| 4.1 主成分分析（PCA）方法 | 第22-26页 |
| 4.1.1 PCA 算法的基本原理 | 第22-24页 |
| 4.1.2 基于 PCA 的维数约简 | 第24-26页 |
| 4.1.3 PCA 算法的优点和缺陷 | 第26页 |
| 4.2 线性判别分析（LDA）方法 | 第26-32页 |
| 4.2.1 Fisher 判别准则 | 第26-29页 |
| 4.2.2 LDA 算法的基本原理 | 第29-31页 |
| 4.2.3 基于 LDA 的维数约简 | 第31页 |
| 4.2.4 LDA 算法的缺陷 | 第31-32页 |
| 4.2.5 正则化 LDA 算法的基本原理 | 第32页 |
| 4.3 本章小结 | 第32-33页 |
| 第五章 所提基于聚类正则化的线性判别分析 | 第33-59页 |
| 5.1 引言 | 第33页 |
| 5.2 常用的聚类准则和方法 | 第33-42页 |
| 5.3 基于聚类正则化的线性判别分析 | 第42-47页 |
| 5.4 聚类数目的确定 | 第47页 |
| 5.5 初始化聚类次数的确定 | 第47页 |
| 5.6 基于 ccLDA 的维数约简 | 第47-48页 |
| 5.7 常用的数据库 | 第48-50页 |
| 5.7.1 人脸数据库 | 第48-49页 |
| 5.7.2 人耳数据库 | 第49-50页 |
| 5.8 实验结果与分析 | 第50-57页 |
| 5.8.1 在 AR 人脸数据库上的实验 | 第50-53页 |
| 5.8.2 在 FERET 人脸数据库上的实验 | 第53-56页 |
| 5.8.3 在 Carreira-Perpinan 人耳数据上的实验 | 第56-57页 |
| 5.9 本章小结 | 第57-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 发表论文和参加科研情况说明 | 第67-68页 |
| 致谢 | 第68页 |