| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.1.1 课题研究的背景 | 第10页 |
| 1.1.2 人脸识别技术难点和研究意义 | 第10-11页 |
| 1.2 人脸识别技术过程 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 论文的研究内容 | 第14页 |
| 1.5 论文的组织结构 | 第14-16页 |
| 第2章 特征获取和稀疏编码分类算法 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 局部特征提取方法 | 第16-20页 |
| 2.2.1 局部二值模式(LBP)特征提取 | 第16-17页 |
| 2.2.2 局部三值模式(LTP)特征提取 | 第17-18页 |
| 2.2.3 单演信号表示 | 第18-20页 |
| 2.3 全局特征提取方法 | 第20-21页 |
| 2.3.1 特征脸(PCA) | 第20页 |
| 2.3.2 Fisher脸(LDA) | 第20-21页 |
| 2.4 稀疏表示分类和协作表示分类算法 | 第21-26页 |
| 2.4.1 稀疏表示分类方法 | 第22-23页 |
| 2.4.2 协作表示分类方法 | 第23-24页 |
| 2.4.3 实验结果及分析 | 第24-26页 |
| 2.5 人脸库 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于GABOR特征的鲁棒稀疏编码识别算法 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 Gabor局部特征提取 | 第29-30页 |
| 3.3 鲁棒稀疏编码的人脸识别模型 | 第30-32页 |
| 3.4 基于Gabor特征提取的鲁棒稀疏编码的人脸识别算法 | 第32-35页 |
| 3.4.1 Gabor特征提取 | 第32-33页 |
| 3.4.2 求解鲁棒稀疏编码模型 | 第33-34页 |
| 3.4.3 算法的实现 | 第34-35页 |
| 3.5 实验结果及其分析 | 第35-37页 |
| 3.5.1 AR人脸库上实验结果及分析 | 第35-36页 |
| 3.5.2 YaleB人脸库上实验结果及分析 | 第36-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 局部特征融合的核稀疏编码识别算法 | 第39-50页 |
| 4.1 引言 | 第39页 |
| 4.2 图像预处理 | 第39-40页 |
| 4.3 局部特征的提取与融合 | 第40-42页 |
| 4.3.1 LTP编码分为两个LBP编码 | 第41页 |
| 4.3.2 LBP和LTP的局部特征融合 | 第41-42页 |
| 4.4 局部特征提取与融合的核稀疏编码分类算法 | 第42-44页 |
| 4.4.1 核稀疏编码模型 | 第42-43页 |
| 4.4.2 鲁棒核稀疏编码分类算法 | 第43-44页 |
| 4.4.3 局部特征融合的鲁棒核编码分类算法的实现 | 第44页 |
| 4.5 实验结果与分析 | 第44-48页 |
| 4.5.1 光照、表情变化条件下的实验结果及分析 | 第45-47页 |
| 4.5.2 遮挡条件下的实验结果及分析 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 基于辅助字典学习的鲁棒稀疏编码人脸识别 | 第50-63页 |
| 5.1 引言 | 第50页 |
| 5.2 基于辅助字典学习的鲁棒稀疏编码人脸识别 | 第50-55页 |
| 5.2.1 自适应辅助字典学习 | 第50-52页 |
| 5.2.2 基于辅助字典的鲁棒稀疏编码分类模型 | 第52-54页 |
| 5.2.3 算法实现 | 第54-55页 |
| 5.3 实验结果及其分析 | 第55-62页 |
| 5.3.1 CMU Multi-PIE人脸库上实验结果及分析 | 第55-60页 |
| 5.3.2 AR人脸库上实验结果及分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
