基于Gabor小波不变矩的人脸识别方法研究与应用
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-16页 |
| ·人脸识别的研究背景与意义 | 第11-12页 |
| ·人脸识别的研究内容 | 第12-13页 |
| ·人脸识别的研究现状和研究难点 | 第13-15页 |
| ·人脸识别技术研究现状 | 第13-14页 |
| ·研究难点 | 第14-15页 |
| ·本文组织结构 | 第15-16页 |
| 第二章 人脸检测及预处理 | 第16-30页 |
| ·人脸检测方法分类 | 第16-18页 |
| ·基于知识的方法 | 第16-17页 |
| ·基于学习的方法 | 第17-18页 |
| ·基于Adaboost 的人脸检测算法 | 第18-26页 |
| ·矩形特征提取 | 第19-22页 |
| ·Adaboost 算法 | 第22-23页 |
| ·级联分类器 | 第23-24页 |
| ·实验分析 | 第24-26页 |
| ·人脸图像预处理 | 第26-29页 |
| ·图像滤波 | 第26-27页 |
| ·光照补偿 | 第27-28页 |
| ·几何归一化 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 Gabor 小波不变矩特征提取方法的提出 | 第30-43页 |
| ·引言 | 第30页 |
| ·Gabor 小波变换 | 第30-33页 |
| ·伪Zernike 矩 | 第33-39页 |
| ·伪Zernike 矩定义 | 第33-34页 |
| ·伪Zernike 矩特征提取 | 第34-37页 |
| ·伪Zernike 矩不变性实验 | 第37-39页 |
| ·伪Zernike 重构实验 | 第39页 |
| ·Gabor 小波不变矩特征提取新算法 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 Gabor 小波不变矩特征向量的降维 | 第43-50页 |
| ·基于线性判别分析（LDA）的人脸特征提取方法 | 第43-44页 |
| ·基于主成分分析（PCA）的人脸特征提取方法 | 第44-47页 |
| ·K-L 变换 | 第44-45页 |
| ·主成分分析原理 | 第45-46页 |
| ·基于PCA 的人脸图像识别方法 | 第46-47页 |
| ·Gabor 小波不变矩的降维算法 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 识别实验与结果分析 | 第50-56页 |
| ·人脸识别评价标准 | 第50页 |
| ·人脸数据库 | 第50-51页 |
| ·实验与结果分析 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 第六章 人脸识别技术在检索系统中的应用 | 第56-68页 |
| ·引言 | 第56-57页 |
| ·常用的反馈方法 | 第57-58页 |
| ·查询点移动的方法 | 第57页 |
| ·特征权重调整算法 | 第57-58页 |
| ·基于统计学习的算法 | 第58页 |
| ·基于支持向量机（SVM）的相关反馈 | 第58-63页 |
| ·统计学原理 | 第58-59页 |
| ·最优分类面 | 第59-61页 |
| ·支持向量机 | 第61-63页 |
| ·基于支持向量机的相关反馈算法 | 第63页 |
| ·人脸图像检索系统 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 答辩委员会对论文的评定意见 | 第77页 |
