| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1. 绪论 | 第10-18页 |
| ·研究背景与意义 | 第10-11页 |
| ·人脸识别的国内外研究现状和发展 | 第11-13页 |
| ·人脸识别技术的国内外现状 | 第11-12页 |
| ·人脸识别技术的发展 | 第12-13页 |
| ·支持向量机核方法的研究进展 | 第13-16页 |
| ·本文研究的主要内容 | 第16-18页 |
| 2. 基于 AdaBoost 的人脸识别 | 第18-33页 |
| ·PCA 降维处理 | 第18-21页 |
| ·K-L 变换的基本原理 | 第18-19页 |
| ·基于 PCA 的人脸识别 | 第19-20页 |
| ·快速 PCA 算法 | 第20-21页 |
| ·基于 Adaboost 算法的人脸识别原理 | 第21-26页 |
| ·Harr-like 特征值 | 第21-23页 |
| ·积分图 | 第23-24页 |
| ·构造强分类器 | 第24-25页 |
| ·分类器级联 | 第25-26页 |
| ·基于 PCA +AdaBoost 的人脸识别实验 | 第26-30页 |
| ·PCA+AdaBoost 算法流程图 | 第26-27页 |
| ·PCA+AdaBoost 算法的步骤 | 第27-28页 |
| ·基于 PCA+AdaBoost 算法的实验步骤 | 第28-30页 |
| ·基于 PCA+AdaBoost 算法的实验结果及分析 | 第30-32页 |
| ·基于 PCA+AdaBoost 算法的实验结果 | 第30-32页 |
| ·基于 PCA+AdaBoost 算法的实验结果分析 | 第32页 |
| ·本章小结 | 第32-33页 |
| 3. 基于 SVM 的核方法 | 第33-52页 |
| ·支持向量机理论基础 | 第33-38页 |
| ·线性可分的支持向量机 | 第33-35页 |
| ·线性不可分的支持向量机 | 第35-37页 |
| ·非线性支持向量机 | 第37-38页 |
| ·核方法 | 第38-41页 |
| ·核方法基本原理 | 第39-40页 |
| ·核方法的应用分类 | 第40-41页 |
| ·核函数理论 | 第41-46页 |
| ·内积与半正定矩阵 | 第42-44页 |
| ·Mercer 定理 | 第44-45页 |
| ·常用的核函数 | 第45-46页 |
| ·修正的高斯核函数 | 第46-51页 |
| ·修正高斯核函数 | 第46-50页 |
| ·两种核函数的比较 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 4. 支持向量机核方法的人脸识别 | 第52-70页 |
| ·实验一：SVM 采用不同核函数的人脸识别实验 | 第52-57页 |
| ·基于 SVM 的人脸识别实验过程 | 第52-54页 |
| ·基于 SVM 的人脸识别实验结果 | 第54-57页 |
| ·基于 SVM 人脸识别实验结果分析 | 第57页 |
| ·实验二：两种算法对同一人脸不同发型的识别实验 | 第57-62页 |
| ·PCA+AdaBoost 算法对同一人脸不同发型的识别实验 | 第58-60页 |
| ·PCA+SVM 算法对同一人脸不同发型的识别实验 | 第60-62页 |
| ·实验三：两种方法对双胞胎人脸识别的实验 | 第62-69页 |
| ·PCA+AdaBoost 算法对双胞胎的人脸识别实验 | 第63-65页 |
| ·PCA+SVM 算法对双胞胎的人脸识别实验 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 5 总结与展望 | 第70-72页 |
| ·全文总结 | 第70页 |
| ·研究展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 个人简历 | 第77页 |
| 发表的学术论文 | 第77页 |
