| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及研究意义 | 第11-12页 |
| 1.2 人脸识别研究的发展和现状 | 第12-14页 |
| 1.2.1 人脸识别研究的发展历史 | 第12-13页 |
| 1.2.2 人脸识别研究的国内外现状 | 第13-14页 |
| 1.2.3 常用人脸库简介 | 第14页 |
| 1.3 本论文的内容安排 | 第14-17页 |
| 1.3.1 论文主要内容 | 第14-15页 |
| 1.3.2 论文的结构安排 | 第15-17页 |
| 第2章 基于ICA和DCV的人脸特征提取 | 第17-29页 |
| 2.1 基于独立成分分析的特征提取方法 | 第17-23页 |
| 2.1.1 独立成分分析数学基础知识 | 第17-19页 |
| 2.1.2 独立成分分析算法 | 第19-20页 |
| 2.1.3 独立成分分析的求解过程 | 第20-22页 |
| 2.1.4 快速定点ICA算法 | 第22-23页 |
| 2.2 独立成分分析在人脸识别中的应用 | 第23-24页 |
| 2.3 基于判别共同向量的特征提取方法 | 第24-28页 |
| 2.4 判别共同向量算法在人脸识别上的应用 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 支持向量机理论 | 第29-45页 |
| 3.1 统计学习理论基础知识 | 第29-31页 |
| 3.2 支持向量机 | 第31-37页 |
| 3.2.1 最优分类面 | 第31-34页 |
| 3.2.2 SVM优化算法 | 第34-36页 |
| 3.2.3 非线性支持向量机 | 第36-37页 |
| 3.3 支持向量机在多类问题中的应用 | 第37-40页 |
| 3.3.1 “一对一”支持向量机算法(OAOSVM) | 第37-38页 |
| 3.3.2 “一对多”支持向量机算法(OAASVM) | 第38-39页 |
| 3.3.3 有向无环图支持向量机算法(DAGSVM) | 第39-40页 |
| 3.4 支持向量机在人脸识别中的应用 | 第40-43页 |
| 3.4.1 支持向量机模型选择与参数寻优 | 第40-41页 |
| 3.4.2 ICA+SVM算法实验步骤 | 第41-42页 |
| 3.4.3 DCV+SVM算法实验步骤 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 算法实验结果及分析 | 第45-55页 |
| 4.1 实验环境 | 第45页 |
| 4.2 ICA算法实验结果及分析 | 第45-47页 |
| 4.3 DCV算法实验结果及分析 | 第47-48页 |
| 4.4 SVM算法实验结果及分析 | 第48-53页 |
| 4.4.1 ICA+OAOSVM算法实验结果及分析 | 第48-49页 |
| 4.4.2 ICA+OAASVM算法实验结果及分析 | 第49-50页 |
| 4.4.3 DCV+OAOSVM算法实验结果及分析 | 第50-52页 |
| 4.4.4 DCV+OAASVM算法实验结果及分析 | 第52-53页 |
| 4.4.5 DCV+DAGSVM算法实验结果及分析 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 人脸识别算法的FPGA实现 | 第55-71页 |
| 5.1 人脸识别系统硬件平台及开发环境 | 第55-56页 |
| 5.1.1 友晶DE2开发板 | 第55-56页 |
| 5.1.2 系统开发工具 | 第56页 |
| 5.2 人脸识别系统的设计 | 第56-69页 |
| 5.2.1 系统需求分析 | 第56-57页 |
| 5.2.2 系统总体设计 | 第57-58页 |
| 5.2.3 硬件系统设计 | 第58-63页 |
| 5.2.4 系统软件设计 | 第63-66页 |
| 5.2.5 系统运行结果及分析 | 第66-69页 |
| 5.3 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 进一步的工作与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
