| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-19页 |
| ·课题研究背景及其意义 | 第8-9页 |
| ·人脸识别技术的国内外研究现状 | 第9-15页 |
| ·国内外研究机构 | 第11页 |
| ·人脸识别的主要方法 | 第11-13页 |
| ·可变光照条件下的人脸识别方法 | 第13-15页 |
| ·遮挡条件下的人脸识别方法 | 第15页 |
| ·稀疏表示与低秩学习 | 第15-17页 |
| ·论文主要研究内容及结构安排 | 第17-19页 |
| ·论文主要研究内容 | 第17-18页 |
| ·论文结构安排 | 第18-19页 |
| 第二章 稀疏表示和低秩矩阵恢复 | 第19-32页 |
| ·稀疏表示理论 | 第19-23页 |
| ·稀疏表示模型及其算法 | 第19-22页 |
| ·基于稀疏表示的人脸识别算法 | 第22-23页 |
| ·低秩矩阵恢复 | 第23-31页 |
| ·鲁棒主成分分析(RPCA) | 第24-28页 |
| ·低秩表示(LRR) | 第28-31页 |
| ·低秩矩阵恢复的应用 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第三章 联合低秩和p稀疏约束矩阵回归的人脸识别算法 | 第32-45页 |
| ·线性回归分类器 | 第32页 |
| ·基于核范数的矩阵回归模型 | 第32-37页 |
| ·基于低秩稀疏约束的矩阵回归模型 | 第33-34页 |
| ·回归系数x的求解 | 第34-36页 |
| ·低秩矩阵Y的求解 | 第36页 |
| ·拉格朗日乘子Z的求解 | 第36-37页 |
| ·分类器设计 | 第37-38页 |
| ·实验结果与分析 | 第38-44页 |
| ·AR数据库 | 第38-40页 |
| ·Extended Yale B数据库 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于RPCA与低秩投影的人脸识别算法 | 第45-58页 |
| ·低秩映射矩阵P | 第45-46页 |
| ·基于稀疏误差矩阵的人脸识别算法 | 第46-52页 |
| ·利用平滑度来评估稀疏误差图 | 第47-48页 |
| ·利用边缘检测来评估稀疏误差图 | 第48-52页 |
| ·实验及结果分析 | 第52-57页 |
| ·AR数据库 | 第52-53页 |
| ·Extende Yale B数据库 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| ·总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间的研究成果 | 第65-66页 |