人脸图像的特征提取与识别
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-16页 |
| ·人脸识别概述 | 第8-9页 |
| ·人脸识别研究的发展 | 第8-9页 |
| ·人脸识别应用领域 | 第9页 |
| ·人脸识别研究内容 | 第9-10页 |
| ·人脸检测与识别系统 | 第10-11页 |
| ·人脸特征提取与识别方法 | 第11-14页 |
| ·本文的工作及内容 | 第14-16页 |
| ·本文的主要工作 | 第14页 |
| ·论文的组织结构 | 第14-16页 |
| 第2章 人脸图像预处理 | 第16-31页 |
| ·图像的归一化 | 第16-22页 |
| ·几何归一化 | 第16-20页 |
| ·光照补偿 | 第20页 |
| ·直方图均衡化 | 第20-22页 |
| ·小波变换 | 第22-31页 |
| ·小波变换理论 | 第22-27页 |
| ·小波变换在人脸识别中的应用及实验 | 第27-31页 |
| 第3章 人脸图像的特征提取与分类识别 | 第31-57页 |
| ·基于统计的特征提取方法 | 第31-42页 |
| ·概述 | 第31页 |
| ·主成分分析(PCA) | 第31-35页 |
| ·奇异值分解(SVD) | 第35-37页 |
| ·线性判别分析(LDA) | 第37-40页 |
| ·基于偶对称分析的特征提取 | 第40-42页 |
| ·特征提取的算法实现 | 第42-46页 |
| ·特征脸算法实现 | 第42-44页 |
| ·线性判别分析的算法实现 | 第44-45页 |
| ·偶对称分析算法流程 | 第45-46页 |
| ·最近邻分类器 | 第46-49页 |
| ·距离测度 | 第47-48页 |
| ·最近邻决策准则 | 第48-49页 |
| ·支持向量机分类器 | 第49-57页 |
| ·最优分类面 | 第50-53页 |
| ·支持向量机(SVM) | 第53-54页 |
| ·支持向量机常用的核函数 | 第54-55页 |
| ·用于多类分类的支持向量机 | 第55-57页 |
| 第4章 实验结果与分析 | 第57-65页 |
| ·人脸数据库 | 第57-58页 |
| ·人脸识别实验系统组成 | 第58页 |
| ·实验结果 | 第58-64页 |
| ·训练样本与测试样本 | 第58-59页 |
| ·预处理 | 第59页 |
| ·特征提取 | 第59-61页 |
| ·分类器比较 | 第61页 |
| ·支持向量机的一些实验结果 | 第61-64页 |
| ·实验结论 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| ·论文总结 | 第65页 |
| ·研究展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第71页 |
