| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 基于子空间学习的图像特征提取算法的研究现状 | 第14-17页 |
| 1.3 本文的研究内容及安排 | 第17-19页 |
| 第二章 二维主成分分析和二维主线性判别分析以及相关算法 | 第19-25页 |
| 2.1 二维主成分分析 | 第19-20页 |
| 2.2 二维线性判别分析 | 第20-21页 |
| 2.3 基于L1范数的二维主成分分析和二维线性判别分析 | 第21-24页 |
| 2.3.1 基于L1范数的二维主成分分析 | 第21-23页 |
| 2.3.2 基于L1范数的二维线性判别分析 | 第23-24页 |
| 2.4 小结 | 第24-25页 |
| 第三章 基于L21范数的二维主成分分析 | 第25-45页 |
| 3.1 概述 | 第25-26页 |
| 3.2 2DPCA的目标函数分析 | 第26-27页 |
| 3.3 非贪婪策略的L21-2DPCA | 第27-31页 |
| 3.3.1 L21-2DPCA目标函数的提出 | 第27-28页 |
| 3.3.2 非贪婪策略的求解算法 | 第28-31页 |
| 3.4 收敛性分析和旋转不变性的讨论 | 第31-35页 |
| 3.4.1 收敛性分析 | 第31-34页 |
| 3.4.2 旋转不变性的讨论 | 第34-35页 |
| 3.5 基于核范数的分类 | 第35-37页 |
| 3.6 实验仿真 | 第37-44页 |
| 3.6.1 实验数据库介绍 | 第37-38页 |
| 3.6.2 实验仿真和分析 | 第38-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 基于L21范数的二维线性判别分析 | 第45-65页 |
| 4.1 概述 | 第45-46页 |
| 4.2 2DLDA的目标函数分析 | 第46-47页 |
| 4.3 非贪婪策略的L21-2DLDA | 第47-52页 |
| 4.3.1 L21-2DLDA的目标函数分析 | 第47-48页 |
| 4.3.2 非贪婪策略的求解算法 | 第48-52页 |
| 4.4 收敛性分析和旋转不变性讨论 | 第52-55页 |
| 4.4.1 收敛性分析 | 第52-54页 |
| 4.4.2 旋转不变性讨论 | 第54-55页 |
| 4.5 实验仿真 | 第55-63页 |
| 4.5.1 实验数据库介绍 | 第55-56页 |
| 4.5.2 噪声块对范数度量距离的影响及分析 | 第56-59页 |
| 4.5.3 含噪数据的人脸识别实验及分析 | 第59-63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-69页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
