基于KPCA和LDA融合改进的人脸识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人脸识别技术概述 | 第11-16页 |
| 1.2.1 人脸识别研究的内容 | 第11-12页 |
| 1.2.2 人脸识别的研究现状 | 第12-13页 |
| 1.2.3 人脸识别的基本方法 | 第13-15页 |
| 1.2.4 人脸识别技术存在的难点 | 第15-16页 |
| 1.3 人脸数据库 | 第16-17页 |
| 1.4 论文研究内容及结构安排 | 第17-19页 |
| 2 人脸图像预处理 | 第19-24页 |
| 2.1 预处理基本方法 | 第19-23页 |
| 2.1.1 图像几何规范化 | 第19-20页 |
| 2.1.2 低通滤波 | 第20页 |
| 2.1.3 直方图均衡化 | 第20-21页 |
| 2.1.4 中值滤波 | 第21-22页 |
| 2.1.5 均值滤波器 | 第22页 |
| 2.1.6 白化处理 | 第22-23页 |
| 2.2 本章小结 | 第23-24页 |
| 3 Gabor小波和双树复小波的融合 | 第24-34页 |
| 3.1 传统小波变换 | 第24-26页 |
| 3.2 Gabor小波变换 | 第26-30页 |
| 3.2.1 Gabor小波变换的特点 | 第26-27页 |
| 3.2.2 Gabor小波变换的性质 | 第27-28页 |
| 3.2.3 二维Gabor小波变换 | 第28-30页 |
| 3.3 双树复小波变换 | 第30-33页 |
| 3.3.1 一维双树复小波变换 | 第31-32页 |
| 3.3.2 二维双树复小波变换 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 KPCA和LDA融合改进的方法 | 第34-45页 |
| 4.1 主成分分析（PCA） | 第35-37页 |
| 4.2 核方法的基本原理 | 第37-38页 |
| 4.3 核主成分方法 | 第38-41页 |
| 4.3.1 传统KPCA算法 | 第38-40页 |
| 4.3.2 改进的核主成分方法 | 第40-41页 |
| 4.4 线性判别分析（LDA） | 第41-44页 |
| 4.4.1 传统的线性判别分析 | 第41-43页 |
| 4.4.2 改进的LDA分析方法 | 第43-44页 |
| 4.5 KPCA和LDA的融合改进方法 | 第44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 改进最近邻法和支持向量机的融合 | 第45-50页 |
| 5.1 最近邻分类器 | 第45-47页 |
| 5.1.1 最短距离 | 第45-46页 |
| 5.1.2 相似度 | 第46-47页 |
| 5.2 KNN改进算法 | 第47-48页 |
| 5.3 支持向量机（SVM） | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 6 实验结果与分析 | 第50-57页 |
| 6.1 人脸库 | 第50页 |
| 6.2 实验与分析 | 第50-56页 |
| 6.2.1 图像预处理 | 第51页 |
| 6.2.2 核方法及参数变化对识别率的影响 | 第51-53页 |
| 6.2.3 样本个数对各算法识别率的影响 | 第53-55页 |
| 6.2.4 样本维数对不同算法识别率的影响 | 第55-56页 |
| 6.3 本章小结 | 第56-57页 |
| 7 总结与展望 | 第57-59页 |
| 7.1 论文总结 | 第57-58页 |
| 7.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63-64页 |
| 致谢 | 第64页 |
