| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究内容和现状 | 第13-16页 |
| 1.3 本文的主要工作及创新点 | 第16页 |
| 1.4 本文内容章节安排 | 第16-18页 |
| 第二章 人脸特征提取和分类识别算法 | 第18-30页 |
| 2.1 概述 | 第18页 |
| 2.2 人脸识别系统 | 第18-19页 |
| 2.3 常见的特征提取算法 | 第19-24页 |
| 2.4 常见的分类识别算法 | 第24-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 Gabor滤波与二级CS-LTP结合的特征提取算法 | 第30-38页 |
| 3.1 概述 | 第30页 |
| 3.2 Gabor滤波 | 第30-31页 |
| 3.3 二级CS-LTP编码特征图像 | 第31-33页 |
| 3.3.1 CS-LTP编码 | 第31-32页 |
| 3.3.2 二级CS-LTP编码 | 第32-33页 |
| 3.4 Gabor滤波与二级CS-LTP结合的特征提取 | 第33页 |
| 3.5 实验结果与分析 | 第33-37页 |
| 3.5.1 光照实验 | 第34-35页 |
| 3.5.2 噪声实验 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 分块PCA与改进的模糊LDA结合的特征提取算法 | 第38-48页 |
| 4.1 概述 | 第38页 |
| 4.2 基于人脸图像分块PCA的特征提取 | 第38-41页 |
| 4.2.1 图像分块 | 第38-39页 |
| 4.2.2 分块PCA算法 | 第39-41页 |
| 4.3 基于改进的模糊LDA的特征提取 | 第41-43页 |
| 4.3.1 模糊K近邻方法 | 第41-42页 |
| 4.3.2 改进的模糊LDA算法 | 第42-43页 |
| 4.4 分块PCA与改进的模糊LDA结合的特征提取 | 第43-44页 |
| 4.5 实验结果与分析 | 第44-47页 |
| 4.5.1 分块PCA实验 | 第45-46页 |
| 4.5.2 分块PCA与改进的模糊LDA结合的实验 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 改进的完全二叉树SVM多分类识别算法 | 第48-55页 |
| 5.1 概述 | 第48页 |
| 5.2 SVM多分类 | 第48-51页 |
| 5.3 改进的完全二叉树SVM多分类算法 | 第51-53页 |
| 5.4 实验结果与分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 利用LBP与SVM级联全局和局部特征的识别算法 | 第55-62页 |
| 6.1 概述 | 第55页 |
| 6.2 全局特征和局部特征 | 第55-57页 |
| 6.3 级联全局和局部特征的识别算法 | 第57-58页 |
| 6.4 实验结果与分析 | 第58-60页 |
| 6.4.1 单一分类模型的实验 | 第59-60页 |
| 6.4.2 级联全局和局部特征的实验 | 第60页 |
| 6.5 本章小结 | 第60-62页 |
| 第七章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 致谢 | 第69页 |
