基于分块加权（2D）~2PCA的单样本人脸识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题研究的目的和意义 | 第9-11页 |
| ·单样本人脸识别的国内外研究动态 | 第11-13页 |
| ·论文的研究内容 | 第13-14页 |
| 第2章 单样本人脸识别方法概述 | 第14-21页 |
| ·基于几何特征的方法 | 第14-15页 |
| ·样本扩张法 | 第15-16页 |
| ·特征子空间扩展法 | 第16-17页 |
| ·通用学习框架法 | 第17-18页 |
| ·图像增强法 | 第18-19页 |
| ·神经网络法 | 第19页 |
| ·其他方法 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第3章 基于经典主分量分析的单样本人脸识别 | 第21-39页 |
| ·图像的奇异值分解 | 第21-24页 |
| ·主分量分析法(PCA) | 第24-30页 |
| ·离散K-L变换 | 第25-28页 |
| ·K-L变换用于人脸识别 | 第28-30页 |
| ·核主分量分析法(KPCA) | 第30-34页 |
| ·KPCA算法原理 | 第30-33页 |
| ·特征空间的点积计算 | 第33-34页 |
| ·KPCA算法实现步骤 | 第34页 |
| ·结合投影的主分量分析法 | 第34-35页 |
| ·奇异值扰动的主分量分析法(SPCA) | 第35-38页 |
| ·SPCA算法 | 第36-38页 |
| ·SPCA算法的实现步骤 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第4章 基于二维主分量分析的单样本人脸识别 | 第39-55页 |
| ·二维主分量分析(2DPCA) | 第39-43页 |
| ·算法原理 | 第40-41页 |
| ·特征提取 | 第41-42页 |
| ·分类方法 | 第42页 |
| ·图像重建 | 第42-43页 |
| ·二维主分量分析的优缺点 | 第43页 |
| ·行列2个方向的上2DPCA | 第43-46页 |
| ·行方向上的2DPCA | 第44页 |
| ·列方向上的2DPCA | 第44-45页 |
| ·两个方向上的2DPCA | 第45-46页 |
| ·改进的行列2个方向的2DPCA | 第46-47页 |
| ·基于图像分块的局部特征提取和融合 | 第47-52页 |
| ·图像分块概述 | 第47-49页 |
| ·本文图像分块和局部特征提取策略 | 第49-50页 |
| ·本文局部特征融合策略 | 第50-52页 |
| ·本文算法实现步骤 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 人脸识别系统实验结果分析 | 第55-68页 |
| ·本文的实验平台 | 第55-56页 |
| ·PCA的实验结果 | 第56-57页 |
| ·KPCA的实验结果 | 第57-58页 |
| ·SPCA的实验结果及分析 | 第58-62页 |
| ·本文方法的实验结果及分析 | 第62-66页 |
| ·权值对识别结果的影响 | 第62-64页 |
| ·分块方式对识别结果的影响 | 第64-66页 |
| ·算法的识别率及识别结果对比分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 结论与展望 | 第68-70页 |
| ·本文的主要工作 | 第68-69页 |
| ·展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位发表论文和参加科研情况 | 第75页 |
