| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要研究成果 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 基础理论 | 第15-21页 |
| 2.1 压缩感知理论介绍 | 第15-16页 |
| 2.2 稀疏表示 | 第16-18页 |
| 2.3 核函数 | 第18-20页 |
| 2.3.1 核函数的方法原理 | 第18页 |
| 2.3.2 核函数的优点 | 第18-19页 |
| 2.3.3 Mercer条件 | 第19页 |
| 2.3.4 常用的核函数 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 多子模式分类器优化集成的稀疏表示分类算法 | 第21-35页 |
| 3.1 引言 | 第21-22页 |
| 3.2 多子模块分类器优化集成的稀疏表示分类算法 | 第22-25页 |
| 3.2.1 基于最大概率的稀疏表示算法 | 第22-23页 |
| 3.2.2 加权稀疏表示算法 | 第23页 |
| 3.2.3 投票算法 | 第23-24页 |
| 3.2.4 多子模块分类器优化集成的稀疏表示分类算法 | 第24-25页 |
| 3.3 实验仿真 | 第25-33页 |
| 3.3.1 AR人脸数据库 | 第25-27页 |
| 3.3.2 ORL人脸数据库 | 第27-28页 |
| 3.3.3 FERET人脸数据库 | 第28-30页 |
| 3.3.4 对实验数据的进一步分析 | 第30-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于多子空间的核稀疏表示分类算法 | 第35-47页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于多子空间的核稀疏表示分类算法 | 第36-39页 |
| 4.2.1 核稀疏表示分类算法 | 第36-38页 |
| 4.2.2 基于多子空间的核稀疏表示分类算法 | 第38-39页 |
| 4.3 实验仿真 | 第39-45页 |
| 4.3.1 AR人脸数据库 | 第39-41页 |
| 4.3.2 FERET人脸数据库 | 第41-42页 |
| 4.3.3 ORL人脸数据库 | 第42-44页 |
| 4.3.4 对核稀疏分类方法的进一步研究 | 第44-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第5章 基于低秩子空间恢复二阶稀疏表示的人脸识别分类算法 | 第47-59页 |
| 5.1 引言 | 第47页 |
| 5.2 基于低秩子空间恢复二阶稀疏表示的人脸识别分类算法 | 第47-54页 |
| 5.2.1 低秩子空间分解 | 第48-50页 |
| 5.2.2 二阶稀疏表示人脸识别 | 第50-54页 |
| 5.2.3 基于低秩子空间恢复二阶稀疏表示的人脸识别分类算法 | 第54页 |
| 5.3 实验仿真 | 第54-58页 |
| 5.3.1 AR人脸数据 | 第55-56页 |
| 5.3.2 Extended Yale B数据库 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67页 |
