人脸识别中特征提取算法的研究及应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 人脸识别的历史背景及意义 | 第10-12页 |
| 1.2 国内外的研究现状 | 第12-13页 |
| 1.3 人脸识别的主流研究方法及其技术难点 | 第13-18页 |
| 1.3.1 基于人脸图像的几何特征 | 第13页 |
| 1.3.2 基于特征脸 | 第13-14页 |
| 1.3.3 基于小波特征的弹性匹配 | 第14-15页 |
| 1.3.4 基于神经网络 | 第15-16页 |
| 1.3.5 基于隐马尔科夫模型 | 第16-17页 |
| 1.3.6 人脸识别技术存在的主要难点 | 第17-18页 |
| 1.4 常用的人脸数据库 | 第18-21页 |
| 1.5 本文的研究内容和结构安排 | 第21-23页 |
| 1.5.1 研究内容 | 第21-22页 |
| 1.5.2 论文的组织结构 | 第22-23页 |
| 第二章 人脸的特征提取与分类 | 第23-38页 |
| 2.1 主成分分析(PCA) | 第23-29页 |
| 2.1.1 K-L变换 | 第24-26页 |
| 2.1.2 PCA方法用于提取人脸特征 | 第26-29页 |
| 2.2 线性鉴别分析(LDA) | 第29-31页 |
| 2.3 基于PCA+LDA的人脸识别算法 | 第31-32页 |
| 2.4 几种常用的分类方法 | 第32-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 人脸非线性特征提取算法及应用 | 第38-51页 |
| 3.1 引言 | 第38-39页 |
| 3.2 基于核函数的非线性特征提取 | 第39-44页 |
| 3.2.1 核函数变换与支持向量机 | 第39-41页 |
| 3.2.2 KPCA算法 | 第41-43页 |
| 3.3.3 KFLDA的人脸识别算法 | 第43-44页 |
| 3.3 基于流形学习的特征提取方法 | 第44-48页 |
| 3.3.1 LLE人脸识别算法 | 第44-45页 |
| 3.3.2 局部保持投影(LPP)算法 | 第45-47页 |
| 3.3.3 基于LDA的改进方法 | 第47-48页 |
| 3.4 实验对比分析 | 第48-50页 |
| 3.4.1 降维轴数变化对识别率的影响 | 第48-49页 |
| 3.4.2 不同参数下的识别率的变化 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 融合KPCA和MDP的人脸识别算法 | 第51-59页 |
| 4.1 引言 | 第51-52页 |
| 4.2 基于MDP的KPCA+MDP推导 | 第52-54页 |
| 4.3 算法步骤 | 第54页 |
| 4.4 算法的应用及分析 | 第54-57页 |
| 4.5 结论 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59页 |
| 5.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和参加科研情况说明 | 第65-66页 |
| 致谢 | 第66-67页 |
