基于贝叶斯分析的人脸识别算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 人脸识别简介 | 第12-14页 |
| 1.2.1 人脸识别的主要方法 | 第12-14页 |
| 1.2.2 人脸识别的难点与挑战 | 第14页 |
| 1.3 本文的研究内容与工作安排 | 第14-16页 |
| 第2章 经典贝叶斯算法 | 第16-29页 |
| 2.1 贝叶斯决策原理 | 第16-18页 |
| 2.1.1 基于最小错误率 | 第16-17页 |
| 2.1.2 基于最小风险 | 第17-18页 |
| 2.1.3 最小错误率与最小风险贝叶斯决策的关系 | 第18页 |
| 2.2 经典贝叶斯算法原理 | 第18-22页 |
| 2.2.1 类内子空间与类间子空间 | 第18-19页 |
| 2.2.2 图像差的概率分布 | 第19-21页 |
| 2.2.3 相似度计算 | 第21页 |
| 2.2.4 算法流程 | 第21-22页 |
| 2.3 经典贝叶斯算法改进 | 第22-27页 |
| 2.3.1 基于Gabor特征 | 第22-24页 |
| 2.3.2 基于局部类内子空间模型 | 第24-26页 |
| 2.3.3 基于SVM模型 | 第26-27页 |
| 2.4 经典贝叶斯算法优缺点 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 联合贝叶斯算法 | 第29-40页 |
| 3.1 算法的提出 | 第29-30页 |
| 3.2 EM算法 | 第30-34页 |
| 3.2.1 Jensen不等式 | 第30-31页 |
| 3.2.2 EM算法内容 | 第31页 |
| 3.2.3 EM算法导出 | 第31-33页 |
| 3.2.4 EM算法的收敛性 | 第33-34页 |
| 3.3 联合贝叶斯算法原理 | 第34-39页 |
| 3.3.1 模型的建立 | 第34-35页 |
| 3.3.2 相似度计算 | 第35-36页 |
| 3.3.3 利用EM算法求参数 | 第36-38页 |
| 3.3.4 算法流程图 | 第38-39页 |
| 3.4 算法优势 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 联合贝叶斯算法的改进 | 第40-50页 |
| 4.1 源数据与目标域数据结合 | 第40-45页 |
| 4.1.1 相对熵(KL散度) | 第41-42页 |
| 4.1.2 GEM算法 | 第42-44页 |
| 4.1.3 EM模型优化 | 第44-45页 |
| 4.2 图像特征优化 | 第45-48页 |
| 4.3 条件期望计算优化 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验结果与分析 | 第50-59页 |
| 5.1 实验准备 | 第50-52页 |
| 5.2 实验结果分析 | 第52-59页 |
| 5.2.1 与经典贝叶斯算法比较 | 第52-56页 |
| 5.2.2 图像特征优化的影响 | 第56-57页 |
| 5.2.3 训练库优化的影响 | 第57-58页 |
| 5.2.4 EM迭代计算优化的影响 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59页 |
| 6.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士期间完成的论文和专利 | 第66页 |
