| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 常用的人脸数据库简介 | 第12-14页 |
| 1.4 本文主要工作 | 第14页 |
| 1.5 本文组织结构 | 第14-16页 |
| 2 人脸图像的特征提取 | 第16-26页 |
| 2.1 基于主成分分析的图像特征提取 | 第16-19页 |
| 2.1.1 主成分分析原理介绍 | 第16-18页 |
| 2.1.2 特征脸 | 第18-19页 |
| 2.2 基于核主成分分析的图像特征提取 | 第19-21页 |
| 2.2.1 核方法的基本概念 | 第19页 |
| 2.2.2 核主成分分析算法原理 | 第19-21页 |
| 2.3 基于线性判别分析的图像特征提取 | 第21-22页 |
| 2.4 实验对比分析 | 第22-25页 |
| 2.4.1 最近邻分类器 | 第22页 |
| 2.4.2 核函数对特征提取的影响分析 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 融合PCA和稀疏表示的人脸识别 | 第26-35页 |
| 3.1 稀疏表示基本理论 | 第26-29页 |
| 3.1.1 稀疏表示模型 | 第26-27页 |
| 3.1.2 字典学习 | 第27-28页 |
| 3.1.3 L1范数最优化 | 第28-29页 |
| 3.2 基于稀疏表示的分类器 | 第29-30页 |
| 3.3 融合PCA和稀疏表示的人脸识别方法设计与实现 | 第30-34页 |
| 3.3.1 稀疏表示人脸识别算法模型 | 第30-31页 |
| 3.3.2 融合PCA和稀疏表示的人脸识别算法框架 | 第31页 |
| 3.3.3 实验结果与分析 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 加权核稀疏表示分类的人脸识别方法 | 第35-50页 |
| 4.1 多尺度RETINEX算法获取局部信息 | 第35-37页 |
| 4.1.1 多尺度RETINEX算法原理与效果 | 第35-36页 |
| 4.1.2 图像的局部信息的获取 | 第36-37页 |
| 4.2 核稀疏表示分类方法介绍 | 第37-39页 |
| 4.2.1 非线性分布 | 第37-38页 |
| 4.2.2 核稀疏表示分类算法 | 第38-39页 |
| 4.3 加权核稀疏表示分类方法 | 第39-41页 |
| 4.4 实验结果与分析 | 第41-49页 |
| 4.4.1 核方法评估 | 第41-42页 |
| 4.4.2 分析MSR处理对识别的影响 | 第42-44页 |
| 4.4.3 稀疏系数矢量的稀疏性实验 | 第44-45页 |
| 4.4.4 在EXTENDYALEB数据库的实验 | 第45-47页 |
| 4.4.5 在AR数据库的实验 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 研究工作总结 | 第50页 |
| 5.2 研究展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57页 |
| A.作者在攻读学位期间发表的论文目录 | 第57页 |
| B.作者在攻读学位期间参加的科研项目情况 | 第57页 |