| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 人脸识别的研究背景及意义 | 第11页 |
| 1.2 人脸识别的一般过程、难点及挑战 | 第11-12页 |
| 1.3 人脸识别的发展历史及主流方法 | 第12-15页 |
| 1.4 本文的研究内容及结构安排 | 第15-16页 |
| 第2章 MBC特征和POEM特征的提取过程 | 第16-29页 |
| 2.1 MBC特征的提取 | 第16-23页 |
| 2.1.1 二维单演信号 | 第16-17页 |
| 2.1.2 多重解析单演信号 | 第17-18页 |
| 2.1.3 单演信号二进制编码 | 第18-21页 |
| 2.1.3.1 单演信号局部振幅的二进制编码 | 第19-20页 |
| 2.1.3.2 单演相位的二进制编码 | 第20-21页 |
| 2.1.3.3 单演信号局部图像强度的二进制编码 | 第21页 |
| 2.1.4 MBC特征 | 第21-23页 |
| 2.2 POEM特征的提取 | 第23-27页 |
| 2.2.1 POEM特征 | 第23-27页 |
| 2.2.1.1 梯度图像的计算 | 第23-25页 |
| 2.2.1.2 基于方向的振幅累加 | 第25页 |
| 2.2.1.3 自相关计算 | 第25-27页 |
| 2.3 POEM特征的加速计算 | 第27-28页 |
| 2.4 MBC特征和POEM特征的融合方法 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 赋权分段线性判别分析算法 | 第29-37页 |
| 3.1 主成分分析 | 第29-30页 |
| 3.2 线性判别分析 | 第30-32页 |
| 3.3 逻辑回归 | 第32-34页 |
| 3.4 基于PCA、LDA和Logistic Regression的加权分段线性判别分析 | 第34-36页 |
| 3.4.1 图像分块 | 第34-35页 |
| 3.4.2 分段线性判别分析算法 | 第35-36页 |
| 3.4.3 针对图像分块的赋权算法 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于MBC特征和POEM特征的人脸识别 | 第37-43页 |
| 4.1 人脸特征构造 | 第37-38页 |
| 4.1.1 人脸图像归一化 | 第37-38页 |
| 4.1.2 人脸特征的提取与存储 | 第38页 |
| 4.2 赋权分段线性判别分析算法的训练过程 | 第38-39页 |
| 4.3 基于MBC特征和POEM特征的识别过程 | 第39-41页 |
| 4.4 实验参数的设定 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实验结果及分析 | 第43-51页 |
| 5.1 人脸数据库的选择 | 第43页 |
| 5.2 实验结果及分析 | 第43-50页 |
| 5.2.1 POEM特征加速算法效果 | 第43-44页 |
| 5.2.2 逻辑回归方法赋权有效性的验证 | 第44-46页 |
| 5.2.2.1 训练库为FERET Training的实验结果 | 第44-45页 |
| 5.2.2.2 训练库为FRGC 2.0的实验结果 | 第45-46页 |
| 5.2.2.3 实验结果说明 | 第46页 |
| 5.2.3 基于MBC特征和POEM特征融合的识别测试 | 第46-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 工作总结及未来展望 | 第51-53页 |
| 6.1 本文工作总结 | 第51页 |
| 6.2 未来工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
