| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要内容和创新点 | 第12-13页 |
| 1.4 本论文的组织结构 | 第13-15页 |
| 第二章 人脸识别概述 | 第15-21页 |
| 2.1 人脸数据集 | 第15-16页 |
| 2.2 图片预处理 | 第16-17页 |
| 2.3 特征提取 | 第17-18页 |
| 2.4 特征分类 | 第18-20页 |
| 2.5 评价指标 | 第20-21页 |
| 第三章 基于特征脸的稀疏表示人脸识别算法 | 第21-29页 |
| 3.1 稀疏表示 | 第21-23页 |
| 3.1.1 构造字典 | 第21-22页 |
| 3.1.2 算法求解 | 第22-23页 |
| 3.1.3 基于稀疏表示的人脸识别算法 | 第23页 |
| 3.2 特征脸理论 | 第23-25页 |
| 3.2.1 特征脸求解 | 第24页 |
| 3.2.2 特征脸构成字典 | 第24-25页 |
| 3.3 梯度直方图特征 | 第25-26页 |
| 3.4 基于特征脸的稀疏表示人脸识别算法 | 第26-29页 |
| 3.4.1 算法流程 | 第26-27页 |
| 3.4.2 实验及分析 | 第27-29页 |
| 第四章 基于ROBUST PCA与特征脸的稀疏表示人脸识别算法 | 第29-41页 |
| 4.1 ROBUST PCA算法 | 第29-31页 |
| 4.1.1 单类低秩模型 | 第29-30页 |
| 4.1.2 增广拉格朗日乘子(ALM)方法求解 | 第30-31页 |
| 4.2 ESRC_LR算法流程 | 第31-32页 |
| 4.3 相关实验与分析 | 第32-41页 |
| 4.3.1 ESRC_LR算法参数选择 | 第33-34页 |
| 4.3.2 ESRC_LR算法在不同数据集上的识别率 | 第34-37页 |
| 4.3.3 ESRC_LR算法鲁棒性 | 第37-41页 |
| 第五章 基于LRR与HOG特征的稀疏表示人脸识别算法 | 第41-54页 |
| 5.1 低秩表示LLR算法 | 第41-42页 |
| 5.1.1 多类低秩模型 | 第41-42页 |
| 5.1.2 增广拉格朗日乘子(ALM)方法求解 | 第42页 |
| 5.2 LH_ESRC算法流程 | 第42-44页 |
| 5.3 相关实验与分析 | 第44-54页 |
| 5.3.1 LH ESRC算法各部分作用以及实验参数调整 | 第44-48页 |
| 5.3.2 LH ESRC算法在标准数据集上的识别率 | 第48-49页 |
| 5.3.3 LH ESRC算法鲁棒性 | 第49-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文总结 | 第54-55页 |
| 6.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62页 |
