基于稀疏子空间聚类的人脸识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 人脸识别方法的历史发展 | 第10-11页 |
| 1.3 人脸识别的国内外研究发展及存在的问题 | 第11-12页 |
| 1.3.1 人脸识别的国内外研究发展现状 | 第11页 |
| 1.3.2 人脸识别面临的问题 | 第11-12页 |
| 1.4 本文的主要工作及结构安排 | 第12-14页 |
| 第二章 稀疏表示和稀疏子空间聚类算法的原理和方法 | 第14-20页 |
| 2.1 稀疏表示基本原理 | 第14-15页 |
| 2.1.1 单子空间稀疏表示 | 第14-15页 |
| 2.1.2 多子空间稀疏表示 | 第15页 |
| 2.2 稀疏子空间聚类基本原理 | 第15-16页 |
| 2.3 谱聚类算法的理论基础 | 第16-18页 |
| 2.3.1 图划分理论 | 第16-17页 |
| 2.3.2 谱图理论 | 第17-18页 |
| 2.3.3 K均值算法理论 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 基于稀疏子空间聚类的人脸识别方法研究 | 第20-29页 |
| 3.1 高维数据空间的稀疏子空间聚类 | 第20-22页 |
| 3.1.1 稀疏线性子空间聚类 | 第20-21页 |
| 3.1.2 稀疏线性子空间聚类优化算法 | 第21-22页 |
| 3.2 稀疏仿射子空间聚类 | 第22页 |
| 3.3 ADMM优化算法 | 第22-25页 |
| 3.4 正则化谱聚类算法 | 第25-26页 |
| 3.5 最优化稀疏子空间聚类算法步骤 | 第26页 |
| 3.6 实验结果与分析 | 第26-28页 |
| 3.7 本章小结 | 第28-29页 |
| 第四章 改进的稀疏子空间聚类算法 | 第29-35页 |
| 4.1 迭代加权的1l最小化算法 | 第29页 |
| 4.2 迭代加权的1l最小化算法步骤 | 第29-31页 |
| 4.3 改进的稀疏子空间聚类 | 第31-32页 |
| 4.4 实验结果与分析 | 第32-34页 |
| 4.5 本章小结 | 第34-35页 |
| 第五章 总结与展望 | 第35-37页 |
| 5.1 本文研究的主要内容 | 第35页 |
| 5.2 本文的不足与展望 | 第35-37页 |
| 参考文献 | 第37-41页 |
| 攻读硕士学位期间发表的学术论文 | 第41-42页 |
| 致谢 | 第42-43页 |
