摘要 | 第5-6页 |
Abstract | 第6页 |
创新点摘要 | 第7-10页 |
第一章 绪论 | 第10-22页 |
1.1 概述 | 第10-13页 |
1.1.1 研究内容所属领域、研究范围 | 第10-11页 |
1.1.2 人脸识别的优缺点 | 第11-12页 |
1.1.3 人脸识别研究的难点 | 第12-13页 |
1.2 人脸识别研究的概况 | 第13-16页 |
1.2.1 人脸识别的发展 | 第13-14页 |
1.2.2 人脸识别的国内外现状 | 第14-15页 |
1.2.3 人脸识别的应用现状及前景 | 第15-16页 |
1.3 人脸识别的常见方法 | 第16-20页 |
1.4 人脸识别系统性能评价指标 | 第20-21页 |
1.5 论文的主要工作 | 第21-22页 |
第二章 线性投影分析 | 第22-50页 |
2.1 线性投影分析的相关概念 | 第22-25页 |
2.1.1 线性投影及超平面 | 第22页 |
2.1.2 线性投影分析 | 第22-23页 |
2.1.3 散布矩阵及其意义 | 第23-25页 |
2.2 主分量分析 | 第25-28页 |
2.2.1 主分量分析的基本原理和思想 | 第25-26页 |
2.2.2 K-L变换 | 第26-27页 |
2.2.3 主分量分析的实现 | 第27-28页 |
2.3 独立分量分析 | 第28-38页 |
2.3.1 独立分量分析的基本原理及思想 | 第29-33页 |
2.3.2 固定点算法 | 第33-35页 |
2.3.3 独立分量分析的其它常见算法 | 第35-38页 |
2.4 线性鉴别分析 | 第38-44页 |
2.4.1 线性鉴别分析的基本原理及思想 | 第38-41页 |
2.4.2 经典的Fisher线性鉴别分析算法 | 第41-42页 |
2.4.3 线性鉴别分析的常见问题及解决方法 | 第42-44页 |
2.5 其它方法 | 第44-49页 |
2.5.1 二维投影理论及其方法 | 第44-46页 |
2.5.2 非负矩阵因子分解算法 | 第46-47页 |
2.5.3 离散余弦变换 | 第47-49页 |
2.5.4 奇异值分解法 | 第49页 |
2.6 本章小结 | 第49-50页 |
第三章 人脸识别算法的实现及改进 | 第50-82页 |
3.1 概述 | 第50-53页 |
3.1.1 ICA+LDA的基本思想 | 第50-52页 |
3.1.2 人脸库 | 第52-53页 |
3.2 人脸图像预处理 | 第53-71页 |
3.2.1 彩色图像转化为灰度图像 | 第53-56页 |
3.2.2 图像增强 | 第56-60页 |
3.2.3 眼睛坐标的确定 | 第60-64页 |
3.2.4 人脸图像的几何矫正 | 第64-68页 |
3.2.5 对称性约束 | 第68-69页 |
3.2.6 人脸图像的掩模处理 | 第69页 |
3.2.7 灰度分布标准化 | 第69-70页 |
3.2.8 人脸图像预处理效果 | 第70-71页 |
3.3 线性投影分析方法的改进 | 第71-78页 |
3.3.1 PCA白化降维过程中的计算量问题 | 第71-72页 |
3.3.2 人脸图像的独立分量表示 | 第72-74页 |
3.3.3 初步的对LDA进行改进 | 第74页 |
3.3.4 小样本问题的传统解决方法 | 第74-77页 |
3.3.5 基于小样本问题的LDA的改进算法 | 第77-78页 |
3.4 识别分类方法 | 第78-81页 |
3.5 本章小结 | 第81-82页 |
第四章 实验及结果分析 | 第82-100页 |
4.1 人脸识别算法性质的研究 | 第82-96页 |
4.1.1 实验1:本文识别方法的性能的验证 | 第82-89页 |
4.1.2 实验2:预处理对识别率的影响 | 第89-90页 |
4.1.3 实验3:识别率的影响因素的研究 | 第90-95页 |
4.1.4 实验4:类库数及训练样本数对识别结果影响的研究 | 第95-96页 |
4.2 人脸识别系统的软件实现 | 第96-98页 |
4.2.1 相关知识 | 第96页 |
4.2.2 具体实现方法及效果 | 第96-98页 |
4.3 本章小结 | 第98-100页 |
结论 | 第100-101页 |
参考文献 | 第101-110页 |
发表文章目录 | 第110-111页 |
致谢 | 第111-112页 |
详细摘要 | 第112-117页 |