| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-17页 |
| ·人脸识别技术的研究背景和意义 | 第9-10页 |
| ·人脸自动识别技术综述 | 第10-14页 |
| ·自动人脸识别的一般过程 | 第10-11页 |
| ·人脸识别技术发展简述 | 第11-13页 |
| ·训练集、测试集和人脸库 | 第13-14页 |
| ·论文的出发点和主要工作 | 第14-15页 |
| ·论文的结构安排 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 基于 SVM和 AdaBoost的人脸检测算法 | 第17-25页 |
| ·支持向量机 | 第17-19页 |
| ·AdaBoost算法 | 第19-20页 |
| ·基于 SVM和 AdaBoost的人脸检测算法 | 第20-22页 |
| ·构建基于 SVM的弱分类器 | 第20页 |
| ·分类器更新 | 第20-21页 |
| ·利用 AdaBoost算法生成强分类器 | 第21-22页 |
| ·实验与分析 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 核主成分分析方法与全局特征提取 | 第25-33页 |
| ·核主成分分析的人脸识别方法 | 第25-27页 |
| ·核主成分分析方法在人脸识别中的应用 | 第27-28页 |
| ·图像预处理 | 第28-31页 |
| ·均值滤波法 | 第29页 |
| ·中值滤波法 | 第29页 |
| ·低通滤波法 | 第29-30页 |
| ·高斯平滑滤波器 | 第30-31页 |
| ·全局特征的提取 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 局部特征的提取与融合方法 | 第33-41页 |
| ·独立成分分析方法概述 | 第33-34页 |
| ·核独立成分分析方法 | 第34-36页 |
| ·分块核独立主成分分析方法 | 第36-37页 |
| ·分块核独立主成分分析(BKICA)的基本思想 | 第36页 |
| ·特征抽取与识别 | 第36-37页 |
| ·分块核独立主成分分析方法在局部特征提取中的应用 | 第37-38页 |
| ·局部特征的融合 | 第38-40页 |
| ·局部特征自适应加权 | 第38-39页 |
| ·基于模糊集理论的融合 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 5 整体与局部特征的融合方法 | 第41-58页 |
| ·信息融合概述 | 第41-43页 |
| ·基于 Dempster-Shafer证据理论的融合 | 第43-49页 |
| ·Dempster-Shafer证据理论 | 第43-45页 |
| ·证据理论存在的问题及改进方法 | 第45-47页 |
| ·基于改进后的 DS证据理论的人脸识别决策融合方法 | 第47-49页 |
| ·人脸识别系统中常用的分类准则 | 第49-51页 |
| ·相似性测度 | 第49-50页 |
| ·常用分类器 | 第50-51页 |
| ·基于IDS证据理论融合的人脸识别实验系统的分析与设计 | 第51-54页 |
| ·基于IDS证据理论的融合实验系统体系结构 | 第51-52页 |
| ·人脸数据库结构设计 | 第52-53页 |
| ·功能模块 | 第53-54页 |
| ·实验与结果分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表的论文和参加的科研项目 | 第64-65页 |
| 致谢 | 第65-67页 |
