| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-25页 |
| ·人脸识别研究背景及意义 | 第10页 |
| ·国内外研究概括 | 第10-12页 |
| ·主流人脸识别方法 | 第12-21页 |
| ·自动人脸识别技术面临的挑战与本文研究的主要问题 | 第21-23页 |
| ·主要挑战 | 第21-22页 |
| ·本文研究的主要问题 | 第22-23页 |
| ·文章结构 | 第23-25页 |
| 2 人脸识别基础理论 | 第25-37页 |
| ·人脸识别问题描述 | 第25-27页 |
| ·人脸识别系统评价 | 第27-29页 |
| ·主要的人脸数据库 | 第27-28页 |
| ·性能评价指标 | 第28-29页 |
| ·论文涉及的相关理论基础 | 第29-37页 |
| ·Null space LDA(NLDA)算法 | 第29-31页 |
| ·支持向量机 | 第31-34页 |
| ·人脸识别中的回归方法 | 第34-37页 |
| 3 基于回归原理的人脸识别方法研究 | 第37-75页 |
| ·引言 | 第37-40页 |
| ·基于Gabor特征与稀疏表征的人脸识别方法 | 第40-43页 |
| ·基于Gabor多通道加权优化与稀疏表征(WMC-GSRC)的人脸识别方法 | 第43-55页 |
| ·多通道Gabor特征提取 | 第43-45页 |
| ·基于多通道Gabor特征与稀疏表征的人脸识别方法 | 第45-47页 |
| ·实验结果与分析 | 第47-55页 |
| ·基于局部Gabor稀疏表征分类器模糊集成的人脸识别方法 | 第55-63页 |
| ·局部Gabor特征表示 | 第55-56页 |
| ·局部Gabor稀疏表征分类器的模糊集成 | 第56-59页 |
| ·实验结果与分析 | 第59-63页 |
| ·基于核岭回归的姿态鲁棒的人脸识别方法 | 第63-73页 |
| ·基于岭回归的多姿态人脸识别算法 | 第63-65页 |
| ·基于核岭回归的姿态鲁棒的人脸识别算法 | 第65-67页 |
| ·实验结果与分析 | 第67-73页 |
| ·本章小结 | 第73-75页 |
| 4 基于回归神经网络优化与稀疏表征的人脸识别方法研究 | 第75-99页 |
| ·引言 | 第75-76页 |
| ·基于RNN优化的稀疏表征分类方法 | 第76-83页 |
| ·稀疏表征分类问题描述 | 第77-78页 |
| ·RNN优化方法求解稀疏系数 | 第78-80页 |
| ·实验结果与分析 | 第80-83页 |
| ·基于RNN模型的最小0-范数问题求解 | 第83-97页 |
| ·问题描述 | 第83-84页 |
| ·基于倒高斯目标函数的RNN优化方法 | 第84-85页 |
| ·基于分段倒高斯目标函数的RNN优化方法 | 第85-87页 |
| ·启发式搜索 | 第87-89页 |
| ·实验结果与分析 | 第89-97页 |
| ·本章小结 | 第97-99页 |
| 5 人脸识别并行算法的设计与实现 | 第99-124页 |
| ·引言 | 第99-100页 |
| ·Gabor特征提取的并行实现 | 第100-103页 |
| ·并行WMC-GSRC算法设计与实现 | 第103-105页 |
| ·基于LGBPHS的并行人脸识别方法 | 第105-118页 |
| ·基于LGBPHS的人脸识别方法 | 第105-107页 |
| ·加权LGBPHS方法的并行训练算法 | 第107-112页 |
| ·加权LGBPHS方法的并行识别算法 | 第112-115页 |
| ·实验结果与分析 | 第115-118页 |
| ·并行纠错SVM算法及其在人脸识别中的应用 | 第118-123页 |
| ·纠错SVM算法 | 第118-119页 |
| ·纠错SVM的并行训练算法 | 第119-120页 |
| ·纠错SVM的并行分类算法 | 第120-121页 |
| ·实验结果与分析 | 第121-123页 |
| ·本章小结 | 第123-124页 |
| 6 结论与展望 | 第124-127页 |
| ·结论 | 第124-125页 |
| ·展望 | 第125-127页 |
| 本论文的创新点摘要 | 第127-128页 |
| 参考文献 | 第128-141页 |
| 攻读博士学位期间发表学术论文情况 | 第141-142页 |
| 攻读博士学位期间参与的科硏项目 | 第142-143页 |
| 致谢 | 第143-144页 |
| 作者简介 | 第144-145页 |
