| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究的背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文的研究内容与组织结构 | 第16-19页 |
| 第2章 人脸识别相关技术研究 | 第19-25页 |
| 2.1 人脸识别系统概述 | 第19-20页 |
| 2.2 人脸检测方法 | 第20-21页 |
| 2.3 人脸图像预处理 | 第21-22页 |
| 2.3.1 灰度化处理 | 第21页 |
| 2.3.2 直方图均衡化 | 第21-22页 |
| 2.3.3 去噪处理 | 第22页 |
| 2.4 人脸识别数据库 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 支持向量机理论及方法研究 | 第25-35页 |
| 3.1 支持向量机概述 | 第25页 |
| 3.2 统计学习理论 | 第25-27页 |
| 3.2.1 VC维 | 第25-26页 |
| 3.2.2 推广性的界 | 第26-27页 |
| 3.2.3 结构风险最小化原理 | 第27页 |
| 3.3 支持向量机分类 | 第27-30页 |
| 3.3.1 线性支持向量机 | 第27-29页 |
| 3.3.2 非线性支持向量机 | 第29-30页 |
| 3.4 核函数支持向量机 | 第30-32页 |
| 3.4.1 核函数理论 | 第31页 |
| 3.4.2 常用核函数 | 第31-32页 |
| 3.5 支持向量机在人脸识别中的应用分析 | 第32-33页 |
| 3.5.1 支持向量机的优势 | 第32-33页 |
| 3.5.2 支持向量机存在的局限性 | 第33页 |
| 3.6 建立PCA与SVM组合分类法 | 第33页 |
| 3.6.1 主成分分析法概念 | 第33页 |
| 3.6.2 主成分分析法与支持向量机结合分类法 | 第33页 |
| 3.7 本章小结 | 第33-35页 |
| 第4章 混合核参数SVM模型的构造与参数优化方法的改进 | 第35-48页 |
| 4.1 单一核函数 | 第35-36页 |
| 4.1.1 局部核函数 | 第35-36页 |
| 4.1.2 全局核函数 | 第36页 |
| 4.2 混合核函数 | 第36-39页 |
| 4.2.1 混合核函数的构造 | 第36-38页 |
| 4.2.2 混合核函数模型的验证 | 第38-39页 |
| 4.3 混合核函数SVM待优化参数 | 第39-41页 |
| 4.3.1 惩罚因子C | 第40页 |
| 4.3.2 核函数中的参数 | 第40-41页 |
| 4.3.3 混合核函数的权系数 | 第41页 |
| 4.4 混合核函数SVM参数优化方法 | 第41-46页 |
| 4.4.1 遗传算法 | 第41-43页 |
| 4.4.2 交叉验证 | 第43页 |
| 4.4.3 网格搜索法 | 第43-44页 |
| 4.4.4 改进的网格搜索法 | 第44-45页 |
| 4.4.5 遗传算法与改进网格搜索法组合优化 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于混合核函数SVM与改进遗传算法在人脸识别中的应用 | 第48-62页 |
| 5.1 人脸样本采集与预处理 | 第49-53页 |
| 5.1.1 灰度变换 | 第50页 |
| 5.1.2 直方图均衡化 | 第50-51页 |
| 5.1.3 中值滤波 | 第51-52页 |
| 5.1.4 几何归一化 | 第52-53页 |
| 5.2 基于主成分分析法的特征提取 | 第53-55页 |
| 5.3 基于混合核函数SVM及改进参数优化方法在人脸识别中的的应用 | 第55-60页 |
| 5.3.1 人脸识别分类流程 | 第55-56页 |
| 5.3.2 混合核函数的核矩阵运算 | 第56-57页 |
| 5.3.3 基于遗传算法的参数优化 | 第57-58页 |
| 5.3.4 基于网格搜索算法的参数优化 | 第58-59页 |
| 5.3.5 基于遗传-网格搜索算法的参数优化 | 第59-60页 |
| 5.4 含有各种噪声下的人脸识别实验 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的论文 | 第68-70页 |
| 致谢 | 第70页 |
