| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.2 人脸识别技术概述 | 第11-16页 |
| 1.2.1 人脸识别的研究内容和难点 | 第11-13页 |
| 1.2.2 人脸识别的主要方法 | 第13-16页 |
| 1.3 国内外研究现状 | 第16页 |
| 1.4 论文主要研究内容和章节安排 | 第16-18页 |
| 1.4.1 论文主要研究内容 | 第16-17页 |
| 1.4.2 论文章节安排 | 第17-18页 |
| 第二章 基于压缩感知以及流形学习的人脸识别 | 第18-28页 |
| 2.1 压缩感知理论框架 | 第18-20页 |
| 2.1.1 CS理论的提出 | 第18页 |
| 2.1.2 问题描述 | 第18-19页 |
| 2.1.3 信号的稀疏表示 | 第19页 |
| 2.1.4 观测矩阵设计 | 第19页 |
| 2.1.5 稀疏信号重构 | 第19-20页 |
| 2.2 流形与流形学习算法 | 第20-25页 |
| 2.2.1 流行及流形学习理论 | 第20-21页 |
| 2.2.2 等距映射（ISOMAP） | 第21-22页 |
| 2.2.3 局部线性嵌入（LLE） | 第22-23页 |
| 2.2.4 拉普拉斯特征映射（LE） | 第23-24页 |
| 2.2.5 局部切空间对齐（LTSA） | 第24-25页 |
| 2.3 本文用到人脸数据库 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于非线性最小二乘法的分层SRC算法（HSRC） | 第28-39页 |
| 3.1 基于稀疏表达的分类器（SRC） | 第28-29页 |
| 3.2 一种基于非线性最小二乘法的分层人脸识别算法（HSRC） | 第29-38页 |
| 3.2.1 多通道分析 | 第29-30页 |
| 3.2.2 提取人脸部件 | 第30-32页 |
| 3.2.3 用非线性最小二乘法判决 | 第32-33页 |
| 3.2.4 实验结果与分析 | 第33-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 引入人脸结构化信息的流形识别算法 | 第39-57页 |
| 4.1 基于非线性流形学习的人脸识别算法 | 第39-45页 |
| 4.1.1 四种非线性流形学习算法的降维效果分析 | 第39-41页 |
| 4.1.2 非线性流形学习算法在人脸识别上的应用 | 第41-45页 |
| 4.2 引入结构化信息的流形识别算法 | 第45-55页 |
| 4.2.1 人脸结构化信息的引入 | 第45-47页 |
| 4.2.2 引入人脸结构化信息的多流形识别算法（S_MLLE） | 第47-50页 |
| 4.2.3 引入人脸结构化信息的流形识别算法（S_LLE） | 第50-51页 |
| 4.2.4 实验仿真与分析 | 第51-55页 |
| 4.3 本章小结 | 第55-57页 |
| 第五章 结束语 | 第57-59页 |
| 5.1 论文总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
