| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第19-29页 |
| 1.1 研究背景及意义 | 第19-20页 |
| 1.2 基于表示学习及回归模型的稳健人脸识别研究综述 | 第20-25页 |
| 1.2.1 基于表示学习的稳健人脸识别方法 | 第20-23页 |
| 1.2.2 基于回归模型的稳健人脸识别方法 | 第23-25页 |
| 1.3 本文涉及的数据库 | 第25-26页 |
| 1.4 本文的研究工作概述 | 第26-27页 |
| 1.5 论文组织安排 | 第27-29页 |
| 2 基于鉴别性奇异值分解表示学习的人脸识别 | 第29-51页 |
| 2.1 引言 | 第29-30页 |
| 2.2 相关工作 | 第30-32页 |
| 2.2.1 分数阶奇异值分解表示(FSVDR) | 第31页 |
| 2.2.2 支配性奇异值分解表示(DSVDR) | 第31页 |
| 2.2.3 最近邻矩阵表示(NOMR) | 第31-32页 |
| 2.3 鉴别性奇异值分解表示学习 | 第32-40页 |
| 2.3.1 奇异值基集对于人脸识别的主导作用 | 第32-33页 |
| 2.3.2 模型 | 第33-36页 |
| 2.3.3 算法 | 第36-38页 |
| 2.3.4 n_r的取值 | 第38-39页 |
| 2.3.5 与其他奇异值分解表示的比较 | 第39-40页 |
| 2.3.6 与线性鉴别分析(LDA)的比较 | 第40页 |
| 2.4 实验 | 第40-50页 |
| 2.4.1 光照变化实验 | 第43页 |
| 2.4.2 块状遮挡变化实验 | 第43-45页 |
| 2.4.3 人脸素描变化实验 | 第45-47页 |
| 2.4.4 结合不同分类器实验 | 第47-49页 |
| 2.4.5 秩变化实验 | 第49页 |
| 2.4.6 参数选择实验 | 第49-50页 |
| 2.5 本章小结 | 第50-51页 |
| 3 基于深层递归残差网络的超分辨率及人脸识别 | 第51-69页 |
| 3.1 引言 | 第51-53页 |
| 3.2 相关工作 | 第53-55页 |
| 3.2.1 深层残差网络(ResNet) | 第54-55页 |
| 3.2.2 非常深超分辨率网络(VDSR) | 第55页 |
| 3.2.3 深层递归卷积网络(DRCN) | 第55页 |
| 3.3 深层递归残差网络 | 第55-59页 |
| 3.3.1 残差单元 | 第56-57页 |
| 3.3.2 递归模块 | 第57-58页 |
| 3.3.3 网络结构 | 第58-59页 |
| 3.4 实验 | 第59-66页 |
| 3.4.1 实现细节 | 第59-60页 |
| 3.4.2 参数B和U的研究 | 第60-61页 |
| 3.4.3 与现有模型在超分辨率任务的比较 | 第61-62页 |
| 3.4.4 讨论 | 第62-63页 |
| 3.4.5 低分辨率人脸识别实验 | 第63-66页 |
| 3.5 本章小结 | 第66-69页 |
| 4 基于结构约束编码的非对齐人脸识别 | 第69-85页 |
| 4.1 引言 | 第69-70页 |
| 4.2 非对齐稳健表示模型回顾 | 第70-72页 |
| 4.3 结构约束编码 | 第72-78页 |
| 4.3.1 基于核范数约束的优势 | 第72-73页 |
| 4.3.2 模型 | 第73-74页 |
| 4.3.3 过滤步骤 | 第74-75页 |
| 4.3.4 分类 | 第75-76页 |
| 4.3.5 算法 | 第76-78页 |
| 4.4 实验 | 第78-83页 |
| 4.4.1 与相关工作的比较 | 第79-80页 |
| 4.4.2 光照变化实验 | 第80页 |
| 4.4.3 训练样本数变化实验 | 第80-81页 |
| 4.4.4 结构性噪声实验 | 第81页 |
| 4.4.5 LFW数据库实验 | 第81-83页 |
| 4.5 本章小结 | 第83-85页 |
| 5 基于正交普鲁克回归的跨姿态人脸识别 | 第85-109页 |
| 5.1 引言 | 第85-87页 |
| 5.2 OPP模型回顾 | 第87-89页 |
| 5.3 使用OPP处理人脸姿态变化的依据 | 第89-94页 |
| 5.3.1 OPP的几何意义 | 第89-90页 |
| 5.3.2 左右OPP的作用 | 第90-91页 |
| 5.3.3 使用OPP处理2D人脸图像中的姿态变化 | 第91-93页 |
| 5.3.4 使用OPP恢复人脸自遮挡区域 | 第93-94页 |
| 5.4 正交普鲁克回归 | 第94-100页 |
| 5.4.1 模型 | 第94-96页 |
| 5.4.2 算法 | 第96-98页 |
| 5.4.3 级联正交普鲁克回归 | 第98-99页 |
| 5.4.4 时间复杂度分析 | 第99-100页 |
| 5.5 实验 | 第100-107页 |
| 5.5.1 非正面人脸图像的2D变形仿真 | 第100-101页 |
| 5.5.2 非正面测试图像实验 | 第101-102页 |
| 5.5.3 不同姿态图像作为训练集实验 | 第102-103页 |
| 5.5.4 与现有方法的比较 | 第103-105页 |
| 5.5.5 LFW数据库实验 | 第105页 |
| 5.5.6 运行时间 | 第105-107页 |
| 5.5.7 讨论 | 第107页 |
| 5.6 本章小结 | 第107-109页 |
| 6 结束语 | 第109-111页 |
| 致谢 | 第111-113页 |
| 参考文献 | 第113-131页 |
| 附录 | 第131-134页 |