基于结合特征提取与支持向量机的人脸识别系统研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-20页 |
| ·人脸识别研究的背景及意义 | 第11-12页 |
| ·人脸识别技术与识别过程 | 第12-13页 |
| ·人脸识别技术研究现状与存在问题 | 第13-17页 |
| ·支持向量机(SVM)研究现状 | 第17-18页 |
| ·研究内容与章节安排 | 第18-20页 |
| 第2章 统计学习理论与支持向量机 | 第20-36页 |
| ·引言 | 第20页 |
| ·统计学习理论 | 第20-24页 |
| ·学习机器的VC维 | 第21-22页 |
| ·推广性的界 | 第22-23页 |
| ·结构风险最小化 | 第23-24页 |
| ·支持向量机 | 第24-34页 |
| ·线性可分的最优分类面 | 第25-28页 |
| ·线性不可分的最优分类面 | 第28-29页 |
| ·支持向量机 | 第29-32页 |
| ·核函数 | 第32-34页 |
| ·本章小结 | 第34-36页 |
| 第3章 多类支持向量机的构建 | 第36-46页 |
| ·引言 | 第36页 |
| ·多分类方法研究 | 第36-43页 |
| ·一对多法(OAA) | 第37-38页 |
| ·一对一法(OAO) | 第38-40页 |
| ·错误纠正输出编码法 | 第40-41页 |
| ·隐式分解法 | 第41-43页 |
| ·性能分析 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 基于主成分分析的人脸表示方法 | 第46-60页 |
| ·引言 | 第46页 |
| ·PCA特征提取方法 | 第46-54页 |
| ·K-L变换的原理 | 第46-48页 |
| ·PCA在人脸识别中的应用 | 第48-53页 |
| ·PCA的技术特点 | 第53-54页 |
| ·DPCA特征提取方法 | 第54-58页 |
| ·思想与最优投影矩阵 | 第54-55页 |
| ·特征提取 | 第55页 |
| ·分类 | 第55-56页 |
| ·2DPCA的图象重建 | 第56-57页 |
| ·2DPCA的技术特点 | 第57-58页 |
| ·2DPCA-PCA结合特征提取方法 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 人脸识别系统的建立 | 第60-70页 |
| ·引言 | 第60页 |
| ·人脸识别 | 第60-63页 |
| ·人脸识别分类 | 第60-61页 |
| ·二维静态人脸识别 | 第61-63页 |
| ·实验所用人脸库 | 第63-65页 |
| ·人脸识别系统基本模块 | 第65-69页 |
| ·图像预处理 | 第65-66页 |
| ·特征提取 | 第66-67页 |
| ·分类与识别 | 第67-68页 |
| ·性能分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |
