| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究的背景及意义 | 第7-8页 |
| ·特征提取技术的研究现状 | 第8-9页 |
| ·本文主要研究内容 | 第9-10页 |
| ·本文各章节内容安排 | 第10-11页 |
| 第二章 理论知识介绍 | 第11-20页 |
| ·人脸识别系统 | 第11页 |
| ·线性特征提取方法 | 第11-13页 |
| ·主成分分析（PCA） | 第11-12页 |
| ·LDA | 第12-13页 |
| ·非线性特征提取算法 | 第13-17页 |
| ·拉普拉斯算子 | 第13-14页 |
| ·局部线性投影（LLE） | 第14-17页 |
| ·增量学习方法 | 第17-19页 |
| ·增量PCA –Incremental PCA | 第17页 |
| ·增量LDA –Incremental LDA | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 一种类增广PCA 方法及其在人脸识别中的应用 | 第20-28页 |
| ·第一类分块PCA 方法(SpPCA I) | 第20-21页 |
| ·类增广方法–CAPCA | 第21-22页 |
| ·分块类增广PCA（SpCAPCA） | 第22-24页 |
| ·一种自适应的类增广方法 | 第22-23页 |
| ·分块技术+ 自适应类增广方法 | 第23-24页 |
| ·实验结果及其分析 | 第24-27页 |
| ·SpCAPCA 识别性能 | 第24-25页 |
| ·分块大小对识别性能的影响 | 第25页 |
| ·SpCAPCA 综合性能比较 | 第25-26页 |
| ·算法的实用性能分析 | 第26-27页 |
| ·算法的耗时分析 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第四章 一种基于cam 加权的增量拉普拉斯特征提取方法 | 第28-37页 |
| ·Cam 加权增量拉普拉斯方法 | 第28-31页 |
| ·增量拉普拉斯方法 | 第28页 |
| ·Cam 分布和Cam 加权距离 | 第28-30页 |
| ·经Cam 加权的增量拉普拉斯方法 | 第30-31页 |
| ·实验结果及其分析 | 第31-35页 |
| ·仿真实验 | 第31-32页 |
| ·分类效果实验 | 第32-33页 |
| ·人脸识别实验 | 第33-34页 |
| ·算法稳定性及其时耗分析 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 增量二维MMC | 第37-43页 |
| ·2DMMC | 第37页 |
| ·2DMMC | 第37-39页 |
| ·动态SVD 更新算法 | 第37-38页 |
| ·矩阵的物理变换及其关系 | 第38页 |
| ·动态SVD 更新算法 | 第38-39页 |
| ·实验结果及分析 | 第39-42页 |
| ·基于逐样本添加（sample-by-sample）的12DMMC 的实验结果与分析 | 第39-40页 |
| ·基于逐类添加（class-by-class）的12DMMC 实验结果与分析 | 第40-41页 |
| ·与传统的12DMMC 方法的比较 | 第41-42页 |
| ·算法的运行时间比较 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第六章 总结及展望 | 第43-45页 |
| ·总结 | 第43页 |
| ·展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第49页 |
