基于稀疏张量分析的人脸识别研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 人脸识别的意义及研究背景 | 第8-9页 |
| 1.2 人脸识别的研究现状及发展趋势 | 第9-11页 |
| 1.3 人脸识别的研究方法 | 第11-13页 |
| 1.4 本文的主要工作及组织结构 | 第13-16页 |
| 1.4.1 本文的主要研究工作 | 第13-14页 |
| 1.4.2 本文的结构安排 | 第14-16页 |
| 2 稀疏保持投影算法 | 第16-34页 |
| 2.1 引言 | 第16页 |
| 2.2 主成成分分析(PCA) | 第16-17页 |
| 2.3 局部保持投影(LPP) | 第17-18页 |
| 2.4 稀疏表示 | 第18-26页 |
| 2.4.1 算法描述 | 第18-20页 |
| 2.4.2 实验与分析 | 第20-26页 |
| 2.5 稀疏保持投影(SPP) | 第26-33页 |
| 2.5.1 稀疏重构权重 | 第26-28页 |
| 2.5.2 保留稀疏重构权重 | 第28-29页 |
| 2.5.3 SPP算法 | 第29页 |
| 2.5.4 实验与分析 | 第29-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 张量局部保持投影 | 第34-58页 |
| 3.1 引言 | 第34页 |
| 3.2 张量的概念及运算 | 第34-38页 |
| 3.2.1 张量及其表示 | 第34-35页 |
| 3.2.2 张量的矩阵化及向量化 | 第35-36页 |
| 3.2.3 张量的基本代数运算 | 第36-37页 |
| 3.2.4 张量的基本代数运算Tucker分解 | 第37-38页 |
| 3.3 图像的张量表示 | 第38-39页 |
| 3.4 张量局部保持投影(TLPP) | 第39-45页 |
| 3.4.1 算法描述 | 第39-41页 |
| 3.4.2 实验与分析 | 第41-45页 |
| 3.5 由粗到精策略的张量局部保持投影 | 第45-56页 |
| 3.5.1 常规的由粗到精策略描述 | 第45-47页 |
| 3.5.2 改进的由粗到精策略描述 | 第47-51页 |
| 3.5.3 实验与分析 | 第51-56页 |
| 3.6 本章小结 | 第56-58页 |
| 4 基于稀疏张量分析的多分类器融合人脸识别 | 第58-76页 |
| 4.1 引言 | 第58页 |
| 4.2 贝叶斯定理判决理论 | 第58-61页 |
| 4.2.1 基于最小分类错误率的贝叶斯决策规则 | 第59-60页 |
| 4.2.2 基于最小分类风险的贝叶斯决策规则 | 第60页 |
| 4.2.3 类内差与类间差的概率分布 | 第60-61页 |
| 4.3 基于贝叶斯融合的人脸识别 | 第61-63页 |
| 4.3.1 基于乘法规则的融合算法 | 第61-62页 |
| 4.3.2 基于加法规则的融合算法 | 第62页 |
| 4.3.3 基于贝叶斯多分类器融合算法的原理 | 第62-63页 |
| 4.4 基于稀疏张量分析的多分类器融合人脸识别 | 第63-65页 |
| 4.5 实验结果及分析 | 第65-74页 |
| 4.6 本章小结 | 第74-76页 |
| 5 总结与展望 | 第76-78页 |
| 5.1 总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 附录 | 第86-87页 |
