| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 选题研究背景及意义 | 第10-11页 |
| 1.2 研究内容与创新点 | 第11-13页 |
| 1.3 论文结构 | 第13-14页 |
| 第2章 国内外研究现状 | 第14-20页 |
| 2.1 特征的分类 | 第14-15页 |
| 2.2 线性特征提取的研究现状 | 第15-18页 |
| 2.3 线性特征提取面临的挑战 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于联合稀疏局部回归的特征提取算法 | 第20-38页 |
| 3.1 符号定义 | 第20页 |
| 3.2 相关方法 | 第20-22页 |
| 3.2.1 脊回归(RR) | 第20-21页 |
| 3.2.2 局部保持投影(LPP) | 第21-22页 |
| 3.3 基于脊回归的简单拓展 | 第22-23页 |
| 3.4 联合稀疏局部回归分析(JSLR) | 第23-29页 |
| 3.4.1 L_(2,1)范数的定义及其属性 | 第23-24页 |
| 3.4.2 JSLR优化问题及最优解 | 第24-27页 |
| 3.4.3 JSLR算法收敛性分析 | 第27-28页 |
| 3.4.4 对比与分析 | 第28-29页 |
| 3.4.5 JSLR的时间复杂度分析 | 第29页 |
| 3.5 实验验证 | 第29-37页 |
| 3.5.1 在FERET人脸数据库的实验及分析 | 第30-31页 |
| 3.5.2 在AR人脸数据库的实验及分析 | 第31-32页 |
| 3.5.3 在CMUPIE人脸数据库的实验及分析 | 第32-33页 |
| 3.5.4 在Yale人脸数据库的实验及分析 | 第33-34页 |
| 3.5.5 在USPS字符数据库的实验及分析 | 第34页 |
| 3.5.6 在AR与FERET数据库上基于深度学习的实验及分析 | 第34-35页 |
| 3.5.7 实验结果分析 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于广义鲁棒回归的联合稀疏学习 | 第38-57页 |
| 4.1 引言 | 第38-39页 |
| 4.2 广义鲁棒回归分析(GRR) | 第39-44页 |
| 4.2.1 GRR优化问题及最优解 | 第39-41页 |
| 4.2.2 GRR算法收敛性分析 | 第41-43页 |
| 4.2.3 对比与分析 | 第43-44页 |
| 4.2.4 GRR时间复杂度分析 | 第44页 |
| 4.3 实验验证 | 第44-56页 |
| 4.3.1 在FERET人脸数据库的实验及分析 | 第44-46页 |
| 4.3.2 在ORL人脸数据库的实验及分析 | 第46-47页 |
| 4.3.3 在Yale人脸数据库的实验及分析 | 第47-48页 |
| 4.3.4 在AR人脸数据库的实验及分析 | 第48页 |
| 4.3.5 在Char74K字符数据库的实验及分析 | 第48-49页 |
| 4.3.6 鲁棒性验证 | 第49-53页 |
| 4.3.7 重构和子空间学习能力验证 | 第53-54页 |
| 4.3.8 基于深度学习技术在LFW数据库的实验及分析 | 第54-55页 |
| 4.3.9 实验结果分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 基于广义正交学习的鲁棒联合稀疏回归 | 第57-72页 |
| 5.1 引言 | 第57-58页 |
| 5.2 广义正交的鲁棒联合稀疏回归(RJSR) | 第58-63页 |
| 5.2.1 动机分析 | 第58-59页 |
| 5.2.2 RJSR优化问题及最优解 | 第59-62页 |
| 5.2.3 对比与分析 | 第62-63页 |
| 5.2.4 RJSR的时间复杂度分析 | 第63页 |
| 5.3 实验验证 | 第63-71页 |
| 5.3.1 基于人脸图像的实验 | 第63-66页 |
| 5.3.2 基于非人脸图像的实验 | 第66-68页 |
| 5.3.3 鲁棒性验证 | 第68-70页 |
| 5.3.4 实验结果分析 | 第70-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-75页 |
| 6.1 总结 | 第72-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-82页 |
| 攻读硕士学位期间的研究成果 | 第82页 |
