基于面部特征的人脸识别方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·人脸识别的研究背景和应用领域 | 第10-11页 |
| ·研究背景 | 第10-11页 |
| ·应用领域 | 第11页 |
| ·人脸识别研究进程及困难 | 第11-12页 |
| ·人脸识别研究进程 | 第11-12页 |
| ·存在的主要困难 | 第12页 |
| ·本文主要工作 | 第12-15页 |
| ·本文研究的目的 | 第12-13页 |
| ·本文的主要内容 | 第13页 |
| ·本文的组织结构 | 第13-15页 |
| 第2章 人脸识别方法综述 | 第15-20页 |
| ·人脸图像特征提取方法 | 第15-17页 |
| ·几何特征方法 | 第15页 |
| ·模板匹配方法 | 第15-16页 |
| ·特征脸法 | 第16页 |
| ·奇异值分解法 | 第16页 |
| ·小波变换法 | 第16-17页 |
| ·人脸图像分类决策方法 | 第17-18页 |
| ·最近邻分类器 | 第17页 |
| ·基于人工神经网络的方法 | 第17页 |
| ·基于支持向量机方法 | 第17-18页 |
| ·基于概率模型方法 | 第18页 |
| ·隐马尔可夫模型 | 第18页 |
| ·目标识别系统的设计 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 人脸面部特征检测 | 第20-30页 |
| ·面部特征的先验知识 | 第20页 |
| ·人脸图像数据库 | 第20-22页 |
| ·人脸图像的预处理 | 第22-25页 |
| ·尺度归一化 | 第22-23页 |
| ·灰度归一化 | 第23-24页 |
| ·灰度增强 | 第24页 |
| ·特定的灰度拉伸 | 第24-25页 |
| ·目标图像分割 | 第25-28页 |
| ·边界分割方法 | 第26页 |
| ·区域分割方法 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 第4章 人脸表示方法的研究 | 第30-46页 |
| ·人脸图像表示方法的选择 | 第30-31页 |
| ·几何特征法 | 第31-33页 |
| ·图像的三种测量特征 | 第31-32页 |
| ·形状线法 | 第32-33页 |
| ·局部特征分块PCA法 | 第33-38页 |
| ·PCA方法 | 第33-34页 |
| ·局部分块的PCA特征提取 | 第34-38页 |
| ·小波变换法 | 第38-44页 |
| ·小波变换 | 第38-40页 |
| ·二维图像的小波表示 | 第40-42页 |
| ·小波降维方法 | 第42-44页 |
| ·三种表示方法的比较 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 人脸判别方法的研究 | 第46-60页 |
| ·人脸判别方法的选择 | 第46页 |
| ·基于最近均值判别方法 | 第46-48页 |
| ·最近均值分类数学模型 | 第46-47页 |
| ·最近均值在人脸识别中的应用 | 第47-48页 |
| ·基于神经网络的判别方法 | 第48-52页 |
| ·神经网络结构及学习过程 | 第48-50页 |
| ·神经网络在模式识别中的应用 | 第50页 |
| ·神经网络实现方法 | 第50-52页 |
| ·基于LDA准则的特征融合方法 | 第52-58页 |
| ·LDA方法实现 | 第53-54页 |
| ·局部Gabor特征和全局LDA特征融合 | 第54-56页 |
| ·改进的特征融合方法 | 第56-57页 |
| ·实验与分析 | 第57-58页 |
| ·三种判别方法的比较 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间所发表的论文 | 第66-67页 |
| 致谢 | 第67页 |
