数字图像处理应用于人脸识别的研究
| 第1章 绪论 | 第1-13页 |
| ·引言 | 第7页 |
| ·人脸识别研究的意义 | 第7-8页 |
| ·人脸识别研究的难点 | 第8页 |
| ·人脸识别研究的现状 | 第8-11页 |
| ·人脸的检测与定位 | 第8-10页 |
| ·人脸特征提取 | 第10页 |
| ·人脸识别 | 第10-11页 |
| ·本文的主要研究内容 | 第11-12页 |
| ·本文的创新点 | 第12-13页 |
| 第2章 人脸图像的预处理 | 第13-31页 |
| ·Windows下图像处理基础 | 第13-19页 |
| ·BPM文件格式 | 第13-17页 |
| ·位图显示 | 第17页 |
| ·图像类 | 第17-19页 |
| ·光照补偿 | 第19-21页 |
| ·直方图均衡化 | 第21-22页 |
| ·小波分解 | 第22-31页 |
| ·小波概述 | 第22-24页 |
| ·多分辨率分析 | 第24-27页 |
| ·二维图像的小波分解 | 第27-31页 |
| 第3章 人脸图像的特征提取 | 第31-40页 |
| ·K-L变换 | 第31-33页 |
| ·奇异值分解(SVD) | 第33-34页 |
| ·主特征提取的基本原理 | 第34-36页 |
| ·人脸图像的特征提取 | 第36-40页 |
| ·基于 PCA的人脸特征提取原理 | 第37-38页 |
| ·人脸图像特征提取算法的实现 | 第38-40页 |
| 第4章 基于最近邻和神经网络的人脸分类器 | 第40-53页 |
| ·组合分类器 | 第40页 |
| ·最近邻分类器 | 第40-41页 |
| ·BP神经网络分类器 | 第41-53页 |
| ·神经网络基础 | 第41-44页 |
| ·BP网络的模型结构 | 第44-46页 |
| ·误差反向传播学习算法 | 第46-49页 |
| ·BP算法的改进 | 第49-50页 |
| ·用 BP网络对人脸特征进行分类 | 第50-53页 |
| 第5章 实验结果与分析 | 第53-61页 |
| ·识别系统组成 | 第53-56页 |
| ·实验人脸数据库 | 第53-54页 |
| ·人脸图像的预处理 | 第54页 |
| ·人脸图像的特征提取 | 第54-55页 |
| ·分类器 | 第55-56页 |
| ·VC识别程序 | 第56-59页 |
| ·实验结果分析 | 第59-61页 |
| 第6章 结论与展望 | 第61-63页 |
| ·全文总结 | 第61页 |
| ·结论 | 第61-62页 |
| ·不足之处 | 第62页 |
| ·研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67页 |
