| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 人脸识别的研究意义 | 第9-10页 |
| 1.2 国内外研究现状和前景 | 第10-13页 |
| 1.2.1 国内外发展现状 | 第11-12页 |
| 1.2.2 人脸识别的发展前景 | 第12-13页 |
| 1.3 人脸识别的研究方法分类 | 第13-16页 |
| 1.3.1 基于几何特征的人脸识别 | 第13-14页 |
| 1.3.2 基于子空间分析的人脸识别 | 第14页 |
| 1.3.3 基于隐马尔可夫的人脸识别 | 第14-15页 |
| 1.3.4 基于神经网络方法的人脸识别 | 第15-16页 |
| 1.4 论文主要内容和结构 | 第16-18页 |
| 第2章 人脸特征提取的相关算法 | 第18-28页 |
| 2.1 主成分分析 | 第18-22页 |
| 2.1.1 K-L变换 | 第19-20页 |
| 2.1.2 PCA算法 | 第20-22页 |
| 2.2 线性鉴别分析 | 第22-24页 |
| 2.3 核方法基本理论 | 第24-25页 |
| 2.4 局部保持投影算法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于2DPCA的人脸识别及改进 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 二维主成分分析原理 | 第28-30页 |
| 3.3 右向和左向压缩二维主成分分析 | 第30-36页 |
| 3.3.1 右向压缩2DPCA | 第31-32页 |
| 3.3.2 左向压缩2DPCA | 第32-34页 |
| 3.3.3 双向压缩2DPCA | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于核主成分的人脸特征提取方法 | 第37-50页 |
| 4.1 核方法简介 | 第37-39页 |
| 4.1.1 核方法的数学定义 | 第38页 |
| 4.1.2 核函数的特点及常用核函数 | 第38-39页 |
| 4.2 基于核的主成分分析KPCA | 第39-42页 |
| 4.2.1 传统KPCA算法 | 第39-41页 |
| 4.2.2 核主成分分析的特点 | 第41-42页 |
| 4.3 融合KPCA和MDP的人脸识别 | 第42-49页 |
| 4.3.1 算法推导 | 第43-45页 |
| 4.3.2 算法步骤 | 第45页 |
| 4.3.3 算法的实验分析 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 融合2DPCA和2DLPP的人脸特征提取方法 | 第50-61页 |
| 5.1 引言 | 第50页 |
| 5.2 相关算法介绍 | 第50-53页 |
| 5.2.1 2DPCA算法 | 第50-51页 |
| 5.2.2 2DLPP算法 | 第51-53页 |
| 5.3 本文算法的原理和描述 | 第53-57页 |
| 5.3.1 算法原理 | 第53-56页 |
| 5.3.2 算法描述 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-60页 |
| 5.4.1 ORL人脸库上不同算法的比较 | 第57-59页 |
| 5.4.2 Yale人脸库上不同算法的比较 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |