基于稀疏表示的多姿态人脸识别
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 人脸识别国内外现状 | 第15-17页 |
| 1.3 常用的人脸识别方法 | 第17-20页 |
| 1.3.1 基于几何特征的人脸识别算法 | 第17页 |
| 1.3.2 基于模板匹配的人脸识别算法 | 第17-18页 |
| 1.3.3 基于子空间的人脸识别算法 | 第18页 |
| 1.3.4 基于机器学习的方法 | 第18-20页 |
| 1.4 主要内容及章节安排 | 第20-22页 |
| 第二章 子空间算法及核映射算法 | 第22-29页 |
| 2.1 引言 | 第22页 |
| 2.2 线性子空间方法 | 第22-25页 |
| 2.2.1 主成分分析-PCA | 第22-24页 |
| 2.2.2 线性判别分析-LDA | 第24-25页 |
| 2.3 非线性子空间方法 | 第25-27页 |
| 2.3.1 核主成分分析-KPCA | 第26-27页 |
| 2.3.2 核线性判别分析-KLDA | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于稀疏表示的人脸识别算法 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 稀疏表示理论 | 第29-31页 |
| 3.3 基于稀疏表示的人脸识别算法 | 第31-37页 |
| 3.3.1 不同特征降维方式的稀疏表示 | 第33-35页 |
| 3.3.2 实验结果分析 | 第35-37页 |
| 3.4 基于稀疏表示的人脸识别算法的鲁棒性 | 第37-41页 |
| 3.4.1 有效性判别 | 第37-38页 |
| 3.4.2 遮挡和噪声 | 第38-41页 |
| 3.4.3 去除眼镜 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 融合姿态信息的扩展稀疏表达的人脸识别算法 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 人脸图像的Gabor小波表示 | 第43-45页 |
| 4.2.1 Gabor小波 | 第44页 |
| 4.2.2 人脸图像的Gabor小波表示 | 第44-45页 |
| 4.3 融合姿态信息的人脸识别算法 | 第45-47页 |
| 4.3.1 小样本问题 | 第45-46页 |
| 4.3.2 融合姿态信息的人脸识别算法 | 第46-47页 |
| 4.4 实验及结果分析 | 第47-52页 |
| 4.4.1 人脸预处理 | 第47-48页 |
| 4.4.2 实验结果及实验分析 | 第48-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文主要工作 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第60-61页 |
