| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-18页 |
| 1.1 人脸识别的研究背景和意义 | 第9-10页 |
| 1.2 人脸识别技术的发展历史与现状 | 第10-13页 |
| 1.2.1 人脸识别技术的发展历史 | 第10-12页 |
| 1.2.2 人脸识别技术的发展现状 | 第12-13页 |
| 1.3 人脸识别技术的研究内容 | 第13-14页 |
| 1.4 人脸识别技术的研究难点 | 第14-15页 |
| 1.5 人脸特征提取的方法综述 | 第15-16页 |
| 1.5.1 基于全局特征的人脸识别方法 | 第15-16页 |
| 1.5.2 基于局部特征的人脸识别方法 | 第16页 |
| 1.6 本文研究内容和主要结构 | 第16-18页 |
| 1.6.1 本文主要研究内容和创新点 | 第16-17页 |
| 1.6.2 本文的组织结构 | 第17-18页 |
| 2 LBP人脸识别介绍 | 第18-36页 |
| 2.1 基本LBP算子 | 第18-19页 |
| 2.2 LBP算子的发展和演化 | 第19-23页 |
| 2.2.1 扩展LBP算子 | 第19-21页 |
| 2.2.2 LBP一致性模式 | 第21-22页 |
| 2.2.3 旋转不变LBP | 第22-23页 |
| 2.3 LBP算子在人脸识别中的应用 | 第23-24页 |
| 2.4 LBP人脸特征提取的一般流程 | 第24-29页 |
| 2.4.1 LBP特征的预处理方法 | 第25-26页 |
| 2.4.2 LBP特征的图像滤波方法 | 第26-27页 |
| 2.4.3 LBP特征的采样方法 | 第27-28页 |
| 2.4.4 LBP特征的描述方法 | 第28页 |
| 2.4.5 LBP特征的编码方法 | 第28-29页 |
| 2.5 LBP参数实验 | 第29-34页 |
| 2.5.1 人脸数据库 | 第30-31页 |
| 2.5.2 测试流程 | 第31-32页 |
| 2.5.3 预处理对LBP人脸识别的影响 | 第32页 |
| 2.5.4 分块方法对LBP人脸识别的影响 | 第32-33页 |
| 2.5.5 直方图相似度度量对LBP人脸识别的影响 | 第33-34页 |
| 2.6 小结 | 第34-36页 |
| 3 基于学习的LBP采样模式 | 第36-46页 |
| 3.1 DLBP采样模式 | 第36-38页 |
| 3.2 PDV-DLBP采样模式 | 第38-43页 |
| 3.2.1 PDV-DLBP模型概述 | 第39-41页 |
| 3.2.2 模型求解 | 第41-42页 |
| 3.2.3 算法性能分析 | 第42-43页 |
| 3.3 实验结果与分析 | 第43-45页 |
| 3.3.1 参数对识别率的影响 | 第43页 |
| 3.3.2 在FERET人脸库上的识别率 | 第43-44页 |
| 3.3.3 在AR人脸库上的识别率 | 第44-45页 |
| 3.4 小结 | 第45-46页 |
| 4 基于学习的LBP人脸描述符 | 第46-60页 |
| 4.1 判别图像滤波器学习 | 第46-48页 |
| 4.2 IFL-DLBP人脸描述符 | 第48-50页 |
| 4.3 软采样模式与FS-DLBP人脸描述符 | 第50-54页 |
| 4.4 实验结果与分析 | 第54-58页 |
| 4.4.1 滤波尺寸对IFL-LBP的影响 | 第54-55页 |
| 4.4.2 滤波学习的性能对比 | 第55-56页 |
| 4.4.3 起始邻域对DFD的影响 | 第56-57页 |
| 4.4.4 IFL-DLBP与FS-DLBP的识别性能 | 第57-58页 |
| 4.5 小结 | 第58-60页 |
| 5 全文总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |