| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 本文的研究背景 | 第8-10页 |
| 1.2 本文的研究内容与意义 | 第10-13页 |
| 1.2.1 研究内容 | 第10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.2.3 研究现状 | 第11-13页 |
| 1.3 本文组织结构安排 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 相关技术介绍 | 第14-23页 |
| 2.1 人脸识别概述 | 第14-18页 |
| 2.1.1 人脸识别基本框架 | 第14-15页 |
| 2.1.2 人脸识别技术介绍 | 第15-18页 |
| 2.2 多样本与单样本人脸识别的差别 | 第18-19页 |
| 2.3 单样本识别常用方法 | 第19-22页 |
| 2.3.1 图像增强法 | 第19-20页 |
| 2.3.2 样本扩充法 | 第20-21页 |
| 2.3.3 特征子空间拓展法 | 第21页 |
| 2.3.4 局部特征区域方法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于 B 样条和图像梯度的单样本人脸识别 | 第23-39页 |
| 3.1 引言 | 第23-24页 |
| 3.2 局部纹理特征提取方法 | 第24-31页 |
| 3.2.1 LBP 算法 | 第24-27页 |
| 3.2.2 Gabor 变换 | 第27-30页 |
| 3.2.3 图像梯度信息提取 | 第30-31页 |
| 3.3 B 样条函数 | 第31-32页 |
| 3.3.1 B 样条定义 | 第31页 |
| 3.3.2 B 样条特性 | 第31-32页 |
| 3.4 基于 B 样条和图像梯度的单样本人脸识别 | 第32-35页 |
| 3.4.1 B 样条滤波 | 第33-34页 |
| 3.4.2 梯度脸计算 | 第34页 |
| 3.4.3 图像匹配 | 第34-35页 |
| 3.5 实验结果及分析 | 第35-38页 |
| 3.5.1 不同阶数的情况下 B 样条滤波的实验效果 | 第35-37页 |
| 3.5.2 不同滤波方法在各数据库下的识别率 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于全局和局部特征的单样本人脸识别 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 全局特征提取方法 | 第39-43页 |
| 4.2.1 主成分分析 | 第39-40页 |
| 4.2.2 二维主成分分析 | 第40-43页 |
| 4.3 融合全局和局部特征的单样本人脸识别算法 | 第43-44页 |
| 4.3.1 算法描述 | 第43页 |
| 4.3.2 算法步骤 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-48页 |
| 4.4.1 不同权重因子对算法的影响 | 第44-47页 |
| 4.4.2 本文算法与传统算法的对比 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |
| A 作者在攻读硕士学位期间发表的论文题目 | 第56页 |
| B 作者在攻读硕士学位期间参与的科研项目 | 第56页 |