| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 人脸识别研究的背景和意义 | 第8-9页 |
| 1.2 人脸识别技术的发展历史和研究现状 | 第9-12页 |
| 1.2.1 发展历史 | 第9-10页 |
| 1.2.2 研究现状 | 第10-12页 |
| 1.3 人脸识别技术研究的难题 | 第12-14页 |
| 1.4 本文主要的研究内容和结构安排 | 第14-16页 |
| 1.4.1 本文的研究内容 | 第14页 |
| 1.4.2 本文的结构安排 | 第14-16页 |
| 第二章 经典的降维算法 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 主成分分析方法 | 第16-19页 |
| 2.2.1 PCA的基本原理 | 第16-18页 |
| 2.2.2 基于PCA人脸识别 | 第18页 |
| 2.2.3 基于PCA人脸识别的优缺点 | 第18-19页 |
| 2.3 核主成分分析方法 | 第19-21页 |
| 2.3.1 KPCA的基本原理 | 第19-20页 |
| 2.3.2 基于KPCA人脸识别 | 第20-21页 |
| 2.3.3 基于KPCA人脸识别的优缺点 | 第21页 |
| 2.4 基于L1范数的主成分分析方法 | 第21-24页 |
| 2.4.1 L1_PCA的基本原理 | 第21-23页 |
| 2.4.2 L1_PCA算法实现 | 第23-24页 |
| 2.4.3 基于L1_PCA人脸识别 | 第24页 |
| 2.4.4 基于L1_PCA人脸识别的优缺点 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于小样本人脸图像的分类增加方法 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 分类生成虚拟样本的方法 | 第26-33页 |
| 3.2.1 基于正面图像的角度旋转 | 第26-29页 |
| 3.2.2 基于非正面图像的俯仰变化 | 第29-31页 |
| 3.2.3 基于所有图像的镜像变化 | 第31-33页 |
| 3.3 实验结果与分析 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 组合分类生成虚拟样本和L1范数的核主成分分析方法 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 CCVS_L1_KPCA的基本原理 | 第38-40页 |
| 4.3 基于CCVS_L1_KPCA的人脸识别 | 第40-42页 |
| 4.4 实验结果与分析 | 第42-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48-49页 |
| 5.2 研究展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 研究成果 | 第54-55页 |
| 致谢 | 第55页 |