| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·人脸识别研究概述 | 第9-11页 |
| ·人脸识别研究发展与现状 | 第9-10页 |
| ·人脸识别的应用领域 | 第10页 |
| ·人脸识别系统组成 | 第10-11页 |
| ·人脸特征提取与识别方法 | 第11-15页 |
| ·基于几何特征的方法 | 第11-12页 |
| ·基于代数特征的方法 | 第12页 |
| ·支持向量机方法 | 第12-13页 |
| ·基于核技术的方法 | 第13-14页 |
| ·基于弹性模型的方法 | 第14页 |
| ·基于神经网络的方法 | 第14-15页 |
| ·形变模型方法 | 第15页 |
| ·研究工作概况 | 第15-17页 |
| 2 人脸表征与预处理 | 第17-25页 |
| ·人脸表征 | 第17-18页 |
| ·人脸特征探测方法 | 第18页 |
| ·图像预处理 | 第18-22页 |
| ·图像的平滑去噪 | 第19页 |
| ·提高图像对比度 | 第19-20页 |
| ·灰度归一化 | 第20-21页 |
| ·尺寸预处理 | 第21-22页 |
| ·人脸识别常用的数据库及性能评价 | 第22-25页 |
| 3 基于奇异值分解的人脸识别 | 第25-36页 |
| ·奇异值特征向量 | 第25-31页 |
| ·矩阵的奇异值分解(Singular Value Decomposition，简称SVD) | 第25-26页 |
| ·奇异值特征向量的定义 | 第26-29页 |
| ·奇异值降维压缩 | 第29-30页 |
| ·图像奇异值特征的有效性 | 第30-31页 |
| ·基于奇异值的人脸识别 | 第31-34页 |
| ·基于奇异值和隶属度函数的人脸识别方法 | 第31-34页 |
| ·试验过程及试验结果 | 第34-36页 |
| 4 基于主成分分析法的人脸识别 | 第36-43页 |
| ·主成分分析法的人脸识别方法 | 第36-40页 |
| ·基本原理 | 第37-38页 |
| ·人脸识别过程 | 第38-39页 |
| ·分类器设计 | 第39-40页 |
| ·试验过程及试验结果 | 第40页 |
| ·基于SVD和PCA的融合策略 | 第40-42页 |
| ·试验过程及试验结果 | 第42-43页 |
| 5 基于FLD和2DPCA相融合的人脸识别 | 第43-54页 |
| ·Fisher线性鉴别分析方法(FLD) | 第43-46页 |
| ·基于二维主成分分析法(2DPCA)人脸识别 | 第46-50页 |
| ·基本原理 | 第46-48页 |
| ·识别算法 | 第48-49页 |
| ·试验过程及试验结果 | 第49-50页 |
| ·基于类间散布矩阵的2DPCA | 第50-51页 |
| ·FLD+2DPCA人脸识别算法 | 第51-52页 |
| ·试验过程及试验结果 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |