| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 压缩感知理论介绍 | 第12-15页 |
| 1.2.1 信号的稀疏表示 | 第13-14页 |
| 1.2.2 观测矩阵的设计 | 第14页 |
| 1.2.3 信号的重构算法 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.4 本文主要内容及章节介绍 | 第16-18页 |
| 第二章 基于稀疏表示人脸识别算法及改进 | 第18-32页 |
| 2.1 基于稀疏表示人脸识别算法简介 | 第18-21页 |
| 2.1.1 算法原理及思想 | 第18页 |
| 2.1.2 稀疏表示理论的数学模型 | 第18-19页 |
| 2.1.3 SRC算法具体步骤 | 第19-20页 |
| 2.1.4 SRC算法字典分析 | 第20-21页 |
| 2.2 主成分分析算法简介 | 第21-23页 |
| 2.2.1 PCA算法原理 | 第21-22页 |
| 2.2.2 PCA算法识别过程 | 第22-23页 |
| 2.3 基于PCA的SRC算法改进 | 第23-27页 |
| 2.3.1 算法改进可行性分析 | 第23-24页 |
| 2.3.2 算法改进具体步骤 | 第24-25页 |
| 2.3.3 L1范数求解稀疏系数改进 | 第25-27页 |
| 2.4 实验结果 | 第27-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 SRC算法分块研究 | 第32-52页 |
| 3.1 均匀分块算法 | 第32-42页 |
| 3.1.1 均匀分块算法的思想 | 第32-34页 |
| 3.1.2 均匀分块算法的判别准则 | 第34-35页 |
| 3.1.3 原均匀分块算法字典改进 | 第35-36页 |
| 3.1.4 在未遮挡的人脸图像上的实验分析 | 第36-38页 |
| 3.1.5 在遮挡的人脸图像上的实验分析 | 第38-42页 |
| 3.2 特征点分块算法 | 第42-48页 |
| 3.2.1 特征点定位选取 | 第42-43页 |
| 3.2.2 基于特征点分块算法的判别准则优化 | 第43-44页 |
| 3.2.3 基于特征点分块算法的具体步骤 | 第44-46页 |
| 3.2.4 在未遮挡的人脸图像上的实验分析 | 第46-48页 |
| 3.2.5 在遮挡的人脸图像上的实验分析 | 第48页 |
| 3.3 基于特征点分块SRC二次校正算法 | 第48-51页 |
| 3.3.1 算法具体步骤 | 第49-50页 |
| 3.3.2 算法判别准则 | 第50页 |
| 3.3.3 算法在AR人脸数据库上的实验分析 | 第50-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于特征提取矩阵的学习型字典的人脸识别算法 | 第52-62页 |
| 4.1 学习型字典简介 | 第52页 |
| 4.2 KSVD | 第52-53页 |
| 4.2.1 KSVD简介 | 第52-53页 |
| 4.2.2 KSVD算法步骤 | 第53页 |
| 4.3 基于特征提取矩阵求解稀疏系数算法 | 第53-55页 |
| 4.3.1 特征提取矩阵原理 | 第53-54页 |
| 4.3.2 特征提取矩阵与L_1算法的比较 | 第54-55页 |
| 4.4 基于特征提取矩阵的学习型字典的学习算法 | 第55-58页 |
| 4.4.1 目标模型和目标模型求解 | 第55-56页 |
| 4.4.2 测试阶段的算法 | 第56-57页 |
| 4.4.3 算法步骤 | 第57-58页 |
| 4.5 实验结果与分析 | 第58-61页 |
| 4.5.1 AR库实验结果与分析 | 第58-59页 |
| 4.5.2 Extended Yale B库实验结果与分析 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-65页 |
| 5.1 本文主要工作 | 第62-63页 |
| 5.2 进一步工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |