| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 本文的内容结构及主要工作 | 第16-18页 |
| 1.3.1 本文的主要研究内容 | 第16-17页 |
| 1.3.2 本文的内容结构 | 第17-18页 |
| 第二章 人脸识别的相关技术 | 第18-30页 |
| 2.1 人脸识别概括及其难点 | 第18-19页 |
| 2.1.1 人脸识别概括 | 第18-19页 |
| 2.1.2 人脸识别难点 | 第19页 |
| 2.2 人脸数据库 | 第19-20页 |
| 2.3 人脸识别流程 | 第20-21页 |
| 2.4 图像预处理 | 第21-24页 |
| 2.4.1 图像的灰度变换 | 第21-22页 |
| 2.4.2 图像的二值化 | 第22-23页 |
| 2.4.3 图像的归一化 | 第23页 |
| 2.4.4 图像滤波 | 第23-24页 |
| 2.5 特征提取的相关技术 | 第24-26页 |
| 2.5.1 主成分分析法 | 第24-25页 |
| 2.5.2 Gabor滤波器 | 第25-26页 |
| 2.6 分类器 | 第26-28页 |
| 2.6.1 支持向量机 | 第26-27页 |
| 2.6.2 基于稀疏表示的分类 | 第27-28页 |
| 2.7 本章小结 | 第28-30页 |
| 第三章 基于Gabor偏最小二乘法回归的人脸识别 | 第30-46页 |
| 3.1 经典的人脸识别方法 | 第30-34页 |
| 3.1.1 主成分分析法 | 第30-31页 |
| 3.1.2 支持向量机分类 | 第31-33页 |
| 3.1.3 分析经典的人脸识别方法的不足 | 第33-34页 |
| 3.2 Gabor滤波器与偏最小二乘法回归 | 第34-37页 |
| 3.2.1 Gabor滤波器 | 第34-36页 |
| 3.2.2 偏最小二乘法回归 | 第36-37页 |
| 3.3 基于Gabor偏最小二乘法回归的人脸识别算法 | 第37-40页 |
| 3.3.1 基于偏最小二乘法回归的分类策略 | 第37-39页 |
| 3.3.2 基于Gabor偏最小二乘法回归的人脸识别算法流程 | 第39-40页 |
| 3.4 基于Gabor偏最小二乘法回归人脸识别对比实验 | 第40-45页 |
| 3.4.1 基于Gabor偏最小二乘法回归人脸识别实验步骤 | 第40-41页 |
| 3.4.2 对比实验结果与分析 | 第41-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于稀疏表示的人脸识别改进方法 | 第46-58页 |
| 4.1 基于稀疏表示的人脸识别方法 | 第46-48页 |
| 4.2 基于稀疏表示的人脸识别改进方法 | 第48-50页 |
| 4.2.1 基于Gabor波偏最小二乘法回归的超完备字典 | 第48-49页 |
| 4.2.2 基于稀疏表示的改进方法 | 第49-50页 |
| 4.3 基于稀疏表示的人脸识别改进方法对比实验 | 第50-56页 |
| 4.3.1 基于稀疏表示的人脸识别改进方法实验步骤 | 第50-51页 |
| 4.3.2 Extended Yale B人脸数据库下的对比实验 | 第51-53页 |
| 4.3.3 ORL人脸数据库下的对比实验 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
