| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究的背景和项目的支持 | 第11页 |
| 1.2 数据降维算法概述与发展 | 第11-13页 |
| 1.3 生物特征识别的背景和概念 | 第13-17页 |
| 1.4 生物特生识别技术的市场前景与现状 | 第17-19页 |
| 1.5 本文的结构介绍 | 第19-21页 |
| 第二章 降维算法介绍 | 第21-34页 |
| 2.1 传统算法 | 第21-23页 |
| 2.1.1 主分量分析 Principle Component Analysis | 第21-22页 |
| 2.1.2 线性判别分析Linear Discriminant Analysis | 第22-23页 |
| 2.2 流形学习主要方法分析 | 第23-34页 |
| 2.2.1 局部线性嵌入Locally Linear Embedding | 第24-27页 |
| 2.2.2 拉普拉斯特征映射 Laplacian Eigenmap | 第27-29页 |
| 2.2.3 局部保存投影Locality Preserving Projection | 第29-30页 |
| 2.2.4 ISOMAP | 第30-31页 |
| 2.2.5 LTSA | 第31-32页 |
| 2.2.6 HLLE | 第32-34页 |
| 第三章 基于步态能量图的身份识别 | 第34-52页 |
| 3.1 步态识别背景介绍 | 第34-35页 |
| 3.2 基于增强步态能量图和辨别共同分量身份识别 | 第35-45页 |
| 3.2.1 使用动态权值掩模获得增强GEI | 第36-38页 |
| 3.2.2 步态的Gabor 小波表示 | 第38-39页 |
| 3.2.3 辨别共同向量分析 | 第39-40页 |
| 3.2.4 实验与结果分析 | 第40-45页 |
| 3.3 基于Gabor 相位谱和流型学习的步态识别方法 | 第45-52页 |
| 3.3.1 合成GEI 的生成策略 | 第45-47页 |
| 3.3.2 步态GEI 的Gabor 相位谱表示 | 第47页 |
| 3.3.3 基于保局影射的特征提取 | 第47-48页 |
| 3.3.4 实验与结果分析 | 第48-52页 |
| 第四章 基于检测和跟踪的视频人脸识别和姿态估计 | 第52-71页 |
| 4.1 基于haar-like 特征的人脸检测算法 | 第52-57页 |
| 4.1.1 特征提取 | 第52-53页 |
| 4.1.2 积分图 | 第53-54页 |
| 4.1.3 分类构造 | 第54-57页 |
| 4.2 基于Mean-Shift 的人脸跟踪算法 | 第57-62页 |
| 4.2.1 目标人脸区域建模 | 第59页 |
| 4.2.2 候选人脸区域建模 | 第59-60页 |
| 4.2.3 人脸定位 | 第60-61页 |
| 4.2.4 人脸大小调整 | 第61-62页 |
| 4.3 人脸姿态估计 | 第62-67页 |
| 4.3.1 基本流程 | 第62-64页 |
| 4.3.2 策略选择 | 第64-66页 |
| 4.3.3 实验结果 | 第66-67页 |
| 4.4 基于正面人脸的视频身份识别 | 第67-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士期间发表的论文 | 第80页 |
