| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 引言 | 第15-20页 |
| 1.1.1 信息技术与智能化社会 | 第15-16页 |
| 1.1.2 主流信息载体——图像 | 第16-17页 |
| 1.1.3 图像分析的仿生学依据 | 第17-20页 |
| 1.2 计算机视觉与图像的表示 | 第20-24页 |
| 1.2.1 人工设计的图像特征描述子 | 第21-23页 |
| 1.2.2 基于样本空间关系的图像表示 | 第23-24页 |
| 1.3 本文研究内容 | 第24-26页 |
| 1.4 本文的组织结构 | 第26-27页 |
| 第二章 稀疏重建与非线性变换 | 第27-39页 |
| 2.1 稀疏编码和稀疏表示 | 第27-33页 |
| 2.1.1 线性系统与正则化 | 第27页 |
| 2.1.2 稀疏编码与l_0-范数 | 第27-30页 |
| 2.1.3 l_0-范数与l_p-范数 | 第30-31页 |
| 2.1.4 l_1-范数及其最小化 | 第31页 |
| 2.1.5 稀疏字典学习 | 第31-33页 |
| 2.2 非线性变换 | 第33-37页 |
| 2.2.1 SOM | 第34-35页 |
| 2.2.2 核方法 | 第35-36页 |
| 2.2.3 流形学习 | 第36-37页 |
| 2.3 本章小结 | 第37-39页 |
| 第三章 基于局部子空间平滑排列的有约束局部模型拟合 | 第39-59页 |
| 3.1 引言 | 第39页 |
| 3.2 人脸特征点定位的研究背景 | 第39-41页 |
| 3.3 人脸形状向量空间 | 第41-43页 |
| 3.3.1 点分布模型 | 第41-42页 |
| 3.3.2 流形学习方法 | 第42-43页 |
| 3.4 局部子空间平滑排列 | 第43-46页 |
| 3.4.1 方法思路 | 第43-44页 |
| 3.4.2 方法实现 | 第44-45页 |
| 3.4.3 模型求解 | 第45-46页 |
| 3.4.4 新样本嵌入 | 第46页 |
| 3.5 基于流形学习的人脸对齐 | 第46-47页 |
| 3.6 实验验证 | 第47-57页 |
| 3.6.1 流形学习实验 | 第48-50页 |
| 3.6.2 人脸对齐实验 | 第50-56页 |
| 3.6.2.1 实验数据与参数设定 | 第50-51页 |
| 3.6.2.2 LSSA在人脸对齐中的作用 | 第51-53页 |
| 3.6.2.3 与基准方法性能比较 | 第53-55页 |
| 3.6.2.4 与当前最好的CLM改进方法比较 | 第55-56页 |
| 3.6.3 算法讨论分析 | 第56-57页 |
| 3.7 本章小结 | 第57-59页 |
| 第四章 带有弹性空间正则化的大间隔非负矩阵分解 | 第59-87页 |
| 4.1 引言 | 第59页 |
| 4.2 人脸图像上的表示学习 | 第59-60页 |
| 4.3 非负矩阵分解 | 第60-62页 |
| 4.3.1 基图像的局部性 | 第60-62页 |
| 4.3.2 表示向量的判别性 | 第62页 |
| 4.4 系统模型构建 | 第62-64页 |
| 4.5 弹性的空间正则化 | 第64-70页 |
| 4.5.1 因子分析 | 第65-66页 |
| 4.5.2 因子旋转 | 第66-67页 |
| 4.5.3 阈值化 | 第67页 |
| 4.5.4 拉普拉斯空间正则化 | 第67-70页 |
| 4.6 模型优化及收敛性分析 | 第70-73页 |
| 4.6.1 更新投影向量和表示矩阵 | 第70-71页 |
| 4.6.2 更新基矩阵 | 第71-72页 |
| 4.6.3 算法收敛性 | 第72-73页 |
| 4.7 方法性能比较与分析 | 第73-83页 |
| 4.7.1 数据库和参数设定 | 第73-75页 |
| 4.7.2 光照变化影响下的人脸图像识别 | 第75-77页 |
| 4.7.3 带有部分遮挡的人脸图像识别 | 第77页 |
| 4.7.4 数字字符识别 | 第77-80页 |
| 4.7.5 行为识别 | 第80页 |
| 4.7.6 实验分析 | 第80-83页 |
| 4.7.6.1 各种约束对于表示学习的贡献 | 第80页 |
| 4.7.6.2 基图像质量分析 | 第80-83页 |
| 4.8 本章小结 | 第83-87页 |
| 第五章 基于原型理论的相对属性学习 | 第87-103页 |
| 5.1 引言 | 第87页 |
| 5.2 图像的属性 | 第87-89页 |
| 5.2.1 属性的产生 | 第87-88页 |
| 5.2.2 属性的特殊性 | 第88-89页 |
| 5.3 属性的学习 | 第89-91页 |
| 5.3.1 离散属性与连续属性 | 第89-91页 |
| 5.3.2 原型相对属性 | 第91页 |
| 5.4 原型理论与相对属性分类器 | 第91-95页 |
| 5.4.1 原型理论 | 第91-93页 |
| 5.4.2 相对属性分类器 | 第93-95页 |
| 5.5 原型相对属性的学习 | 第95-97页 |
| 5.5.1 原型和序关系的确立 | 第95-96页 |
| 5.5.2 基于原型相对属性的数据表示 | 第96-97页 |
| 5.6 性能比较与实验分析 | 第97-100页 |
| 5.6.1 实验数据库与参数设定 | 第98-99页 |
| 5.6.2 与底层特征比较 | 第99-100页 |
| 5.6.3 与属性比较 | 第100页 |
| 5.7 本章小结 | 第100-103页 |
| 第六章 结束语 | 第103-107页 |
| 6.1 本文工作总结 | 第103-104页 |
| 6.2 进一步研究工作 | 第104-107页 |
| 参考文献 | 第107-127页 |
| 致谢 | 第127-129页 |
| 在学期间的研究成果及发表的学术论文 | 第129页 |