摘要 | 第1-7页 |
Abstract | 第7-12页 |
第一章 绪论 | 第12-30页 |
·人脸识别介绍及研究概括 | 第13-15页 |
·人脸检测概述 | 第15-20页 |
·基于知识的方法 | 第15-16页 |
·基于人脸的不变特征的方法 | 第16-17页 |
·模板匹配的方法 | 第17页 |
·基于统计的方法 | 第17-20页 |
·人脸识别的特征抽取 | 第20-22页 |
·基于知识的特征抽取 | 第20-21页 |
·代数特征抽取 | 第21-22页 |
·人脸识别方法 | 第22-28页 |
·基于线性投影的方法 | 第22-24页 |
·基于核的非线性投影方法 | 第24-25页 |
·流形学习方法 | 第25-26页 |
·其他的人脸识别方法 | 第26-28页 |
·本文研究工作概述 | 第28-29页 |
·本文的内容安排 | 第29-30页 |
第二章 一种完全的基于Schur分解的Fisher线性鉴别分析方法 | 第30-43页 |
·引言 | 第30-31页 |
·基础知识 | 第31-35页 |
·基本概念 | 第31-32页 |
·主成份分析 | 第32-34页 |
·经典的Fisher线性鉴别与F-S线性鉴别方法 | 第34-35页 |
·PCA+LDA方法 | 第35页 |
·完全的基于Schur分解的Fisher线性鉴别分析方法 | 第35-38页 |
·实验结果与分析 | 第38-42页 |
·在ORL人脸数据库上的实验 | 第38-41页 |
·在FERET人脸数据库上的实验 | 第41-42页 |
·本章小结 | 第42-43页 |
第三章 具有统计不相关性的最大散度差特征抽取方法 | 第43-55页 |
·引言 | 第43-44页 |
·统计不相关最优鉴别矢量集 | 第44-45页 |
·基于最大散度差准则(MSDC)的最优鉴别矢量集方法 | 第45-46页 |
·具有统计不相关性的MSDC最优鉴别矢量集方法 | 第46-48页 |
·构造统计不相关空间 | 第47-48页 |
·统计不相关的最优鉴别矢量集求取 | 第48页 |
·算法流程 | 第48页 |
·相关性度量 | 第48-49页 |
·最大散度差准则与Fisher准则的最优鉴别矢量集之间的关系 | 第49-50页 |
·实验结果与分析 | 第50-54页 |
·本章小结 | 第54-55页 |
第四章 对角线性鉴别分析特征抽取方法 | 第55-66页 |
·引言 | 第55-56页 |
·二维投影理论及其方法 | 第56-58页 |
·二维投影理论 | 第56页 |
·2DPCA方法 | 第56-57页 |
·2DLDA方法 | 第57-58页 |
·二维投影的特征抽取 | 第58页 |
·对角线性鉴别分析方法 | 第58-61页 |
·对角线性鉴别分析的提出 | 第58-59页 |
·对角线性鉴别分析方法 | 第59-61页 |
·分类 | 第61页 |
·实验结果与分析 | 第61-65页 |
·在ORL人脸数据库上的实验 | 第61-63页 |
·在FERET人脸数据库上的实验 | 第63-65页 |
·本章小结 | 第65-66页 |
第五章 一种改进的核特征抽取方法 | 第66-82页 |
·引言 | 第66-67页 |
·核技术 | 第67-72页 |
·核技术的产生 | 第67-70页 |
·核函数 | 第70-72页 |
·核Fisher极小准则鉴别分析模型 | 第72-75页 |
·基本概念和极小鉴别准则 | 第72-73页 |
·两个等价模型 | 第73-75页 |
·核鉴别矢量的求取 | 第75-77页 |
·特征抽取 | 第77页 |
·实验结果与分析 | 第77-81页 |
·在ORL人脸数据库上的实验 | 第77-80页 |
·在NUST603人脸数据库上的实验 | 第80-81页 |
·本章小结 | 第81-82页 |
第六章 正交鉴别局部保持投影方法 | 第82-98页 |
·引言 | 第82-83页 |
·局部保持投影(LPP)方法原理 | 第83-90页 |
·理论背景 | 第83页 |
·LPP算法简介 | 第83-84页 |
·LPP算法的理论分析 | 第84-90页 |
·OLPP | 第90-91页 |
·ODLPPS | 第91-92页 |
·实验结果与分析 | 第92-97页 |
·在ORL人脸数据库上的实验 | 第92-95页 |
·在Yale人脸数据库上的实验 | 第95-96页 |
·在FERET人脸数据库上的实验 | 第96-97页 |
·本章小结 | 第97-98页 |
结束语 | 第98-100页 |
致谢 | 第100-101页 |
参考文献 | 第101-112页 |
附录 | 第112页 |