| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 基于稀疏表示人脸识别的研究现状 | 第12-14页 |
| 1.3 本文的研究内容和结构安排 | 第14-16页 |
| 第二章 稀疏表示的基本理论概述和其在人脸识别上的应用 | 第16-32页 |
| 2.1 稀疏表示理论中的几个基本概念 | 第16-20页 |
| 2.1.1 欠定线性系统 | 第16页 |
| 2.1.2 正则化 | 第16-18页 |
| 2.1.3 凸特性及其优势 | 第18-20页 |
| 2.2 范数和与稀疏解的稀疏性 | 第20-25页 |
| 2.2.1 各类范数的对比和讨论 | 第20-23页 |
| 2.2.2 零范数以及其含义 | 第23-24页 |
| 2.2.3 一范数最小化 | 第24-25页 |
| 2.3 稀疏表示理论在人脸识别领域的应用综述 | 第25-29页 |
| 2.3.1 人脸识别的模型建立 | 第25-27页 |
| 2.3.2 基于稀疏表示的分类 | 第27-29页 |
| 2.4 本文中所使用的人脸库简介 | 第29-32页 |
| 2.4.1 ORL人脸库 | 第29页 |
| 2.4.2 Yale B人脸数据库 | 第29-30页 |
| 2.4.3 FERET人脸数据库 | 第30-32页 |
| 第三章 稀疏求解算法及针对人脸识别问题的改进算法 | 第32-62页 |
| 3.1 匹配追踪算法 | 第32-40页 |
| 3.1.1 算法的核心思想 | 第32-33页 |
| 3.1.2 正交匹配追踪算法OMP | 第33-35页 |
| 3.1.3 其他贪婪算法 | 第35-37页 |
| 3.1.4 基于人脸识别问题对OMP算法的改进 | 第37-40页 |
| 3.2 迭代收缩算法 | 第40-54页 |
| 3.2.1 酉矩阵的收缩算法 | 第40-41页 |
| 3.2.2 BCR算法 | 第41-43页 |
| 3.2.3 可分离的替代函数法(SSF)算法 | 第43-45页 |
| 3.2.4 期望最大(EM)法 | 第45-46页 |
| 3.2.5 平行坐标下降法(PCD) | 第46-49页 |
| 3.2.6 凸松弛和迭代重加权最小二乘IRLS算法 | 第49-51页 |
| 3.2.7 改进的IRLS算法 | 第51-54页 |
| 3.3 匹配追踪和迭代收缩两类算法的对比和基于人脸识别的融合算法 | 第54-55页 |
| 3.4 实验结果 | 第55-61页 |
| 3.4.1 改进算法与OMP、IRLS算法稀疏解的稀疏程度对比 | 第55-57页 |
| 3.4.2 ORL人脸库的识别结果 | 第57-58页 |
| 3.4.3 Yale B人脸库上的识别结果 | 第58-59页 |
| 3.4.4 FERET人脸库上的识别结果 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第四章 特征降维与基于小波变换和稀疏表示的分类方法 | 第62-90页 |
| 4.1 维度灾难 | 第62-63页 |
| 4.2 下采样和随机采样 | 第63页 |
| 4.3 主成分分析PCA | 第63-68页 |
| 4.3.1 主成分分析理论推导 | 第64-66页 |
| 4.3.2 特征脸和人脸图像的重构 | 第66-68页 |
| 4.4 针对输入样本包含遮挡或伪装等的特征提取 | 第68-74页 |
| 4.4.1 包含污损、无关遮挡情况的降维处理 | 第68-71页 |
| 4.4.2 含墨镜和口罩围巾等的伪装情况的降维处理 | 第71-74页 |
| 4.5 小波变换及其在人脸分类上的应用 | 第74-80页 |
| 4.5.1 离散小波简介 | 第75-76页 |
| 4.5.2 数字图像的小波分解 | 第76-77页 |
| 4.5.3 二维离散小波分解在人脸识别上的应用 | 第77-80页 |
| 4.6 实验结果及分析 | 第80-88页 |
| 4.6.1 算法在三个人脸库上的识别率实验结果 | 第81-85页 |
| 4.6.2 算法鲁棒性实验 | 第85-88页 |
| 4.7 本章小结 | 第88-90页 |
| 第五章 总结与展望 | 第90-92页 |
| 5.1 工作总结 | 第90-91页 |
| 5.2 工作展望 | 第91-92页 |
| 参考文献 | 第92-100页 |
| 致谢 | 第100-102页 |
| 攻读硕士学位期间取得的科研成果 | 第102页 |
