| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 当前研究现状 | 第11-13页 |
| 1.3 论文的主要内容 | 第13-15页 |
| 2 基于多尺度分析的复杂目标特征提取 | 第15-27页 |
| 2.1 基于小波分析的复杂目标特征提取 | 第15-17页 |
| 2.2 尺度空间理论 | 第17-19页 |
| 2.2.1 尺度空间的基本思想 | 第17-18页 |
| 2.2.2 线性尺度空间 | 第18-19页 |
| 2.3 基于多尺度分析的复杂目标特征提取 | 第19-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 复杂目标不变特征提取 | 第27-46页 |
| 3.1 角点不变特征提取 | 第27-33页 |
| 3.1.1 SUSAN角点检测算子 | 第28-29页 |
| 3.1.2 Harris角点检测算子 | 第29-31页 |
| 3.1.3 角点不变特征提取结果 | 第31-32页 |
| 3.1.4 基于多尺度分析的角点不变特征提取结果 | 第32-33页 |
| 3.2 斑点不变特征提取 | 第33-37页 |
| 3.2.1 Lo G斑点检测算子 | 第33-34页 |
| 3.2.2 Hessian斑点检测算子 | 第34-35页 |
| 3.2.3 斑点不变特征提取结果 | 第35-36页 |
| 3.2.4 基于多尺度分析的角点不变特征提取结果 | 第36-37页 |
| 3.3 SIFT算法特征提取 | 第37-44页 |
| 3.3.1 SIFT算法特征提取步骤 | 第37-42页 |
| 3.3.1.1 尺度空间的极值检测 | 第38-39页 |
| 3.3.1.2 确定关键特征点的位置及尺度 | 第39-41页 |
| 3.3.1.3 确定关键特征点的方向 | 第41页 |
| 3.3.1.4 生成特征向量 | 第41-42页 |
| 3.3.2 SIFT算法特征提取结果 | 第42-44页 |
| 3.3.3 基于多尺度分析的SIFT算法特征提取结果 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于CNN模型的复杂目标特征提取 | 第46-56页 |
| 4.1 深度学习 | 第46-51页 |
| 4.1.1 深度学习简述 | 第46-47页 |
| 4.1.2 深度学习的基本思想 | 第47-48页 |
| 4.1.3 深度学习的训练过程 | 第48-49页 |
| 4.1.4 深度学习的常用模型 | 第49-51页 |
| 4.2 CNN模型 | 第51-55页 |
| 4.2.1 CNN模型的基本结构 | 第51-53页 |
| 4.2.2 CNN模型的训练过程 | 第53-54页 |
| 4.2.3 CNN模型提取特征的步骤 | 第54-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 实验结果与分析 | 第56-66页 |
| 5.1 人脸数据库 | 第56-57页 |
| 5.2 多尺度分析改进SIFT算法 | 第57-63页 |
| 5.2.1 SIFT算法在ORL人脸库的识别 | 第57页 |
| 5.2.2 改进SIFT算法 | 第57-63页 |
| 5.2.2.1 轮廓提取 | 第57-61页 |
| 5.2.2.2 SIFT算法在ORL轮廓人脸库的识别 | 第61-62页 |
| 5.2.2.3 识别结果分析 | 第62-63页 |
| 5.3 实验及其结果 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-69页 |
| 论文总结 | 第66-67页 |
| 前景展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73-81页 |
| 致谢 | 第81-82页 |
| 攻读学位期间发表的学术论文目录 | 第82-84页 |