基于局部保持投影的人脸识别算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题来源及研究意义 | 第10-11页 |
| 1.2 人脸识别技术的现状与分析 | 第11-13页 |
| 1.3 本文的研究内容及文章结构 | 第13-16页 |
| 1.3.1 本文研究的主要方法及内容 | 第13-14页 |
| 1.3.2 本文的结构体系 | 第14-16页 |
| 第2章 子空间的人脸特征提取相关算法 | 第16-26页 |
| 2.1 主成分分析方法 | 第16-19页 |
| 2.2 Fisher 线性鉴别分析 | 第19-21页 |
| 2.2.1 经典 Fisher 鉴别分析 | 第19-20页 |
| 2.2.2 Fisherfaces 的方法 | 第20-21页 |
| 2.3 拉普拉斯特征映射方法 | 第21-22页 |
| 2.4 LPP 算法 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 具有典型相关分析的局部保持投影 | 第26-46页 |
| 3.1 典型相关分析的概述 | 第26-29页 |
| 3.1.1 典型相关分析的概述 | 第26-28页 |
| 3.1.2 关于处理协方差矩阵奇异的情况 | 第28-29页 |
| 3.2 局部保持的典型相关分析 | 第29-33页 |
| 3.2.1 LPCCA 算法的描述 | 第29-31页 |
| 3.2.2 融合策略 | 第31-33页 |
| 3.3 限制类别的局部保持典型相关分析 | 第33-35页 |
| 3.3.1 RLPCCA 算法的提出 | 第33页 |
| 3.3.2 RLPCCA 算法描述及求解 | 第33-35页 |
| 3.4 特征提取过程 | 第35-36页 |
| 3.5 实验结果与分析 | 第36-45页 |
| 3.5.1 在 AT&T 人脸库上的实验 | 第36-40页 |
| 3.5.2 在 Yale 人脸库上的实验 | 第40-42页 |
| 3.5.3 在 AR 人脸库上的实验 | 第42-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 具有统计不相关性的最大散度保局投影算法 | 第46-63页 |
| 4.1 统计不相关最优鉴别矢量集 | 第46-47页 |
| 4.2 最大散度差准则 | 第47-49页 |
| 4.3 具有统计不相关性的最大散度局部保持投影 | 第49-52页 |
| 4.3.1 UMLPP 算法描述与求解 | 第49-52页 |
| 4.3.2 UMLPP 算法具体流程 | 第52页 |
| 4.4 算法分析 | 第52-57页 |
| 4.4.1 与 MSDC 准则联系 | 第52-55页 |
| 4.4.2 与 LPP 算法联系 | 第55-57页 |
| 4.5 实验结果与分析 | 第57-62页 |
| 4.5.1 在 AT&T 人脸库上的实验 | 第57-60页 |
| 4.5.2 在 Yale 人脸库上的实验 | 第60-61页 |
| 4.5.3 在 AR 人脸库上的实验 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 基于局部保持投影的复合位置投影 | 第63-74页 |
| 5.1 MLPP 算法 | 第63-66页 |
| 5.2 MLPP 算法分析 | 第66-69页 |
| 5.2.1 与 LPP 的联系 | 第66-68页 |
| 5.2.2 与 LDA 的联系 | 第68-69页 |
| 5.3 实验结果与分析 | 第69-73页 |
| 5.3.1 在 AT&T 人脸库上的实验 | 第69-70页 |
| 5.3.2 在 Yale 人脸库上的实验 | 第70-71页 |
| 5.3.3 在 AR 人脸库上的实验 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间发表的学术论文 | 第80-81页 |
| 致谢 | 第81页 |
