基于压缩感知理论的人脸识别
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第14-15页 |
| 符号表 | 第15-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 本论文的研究背景及意义 | 第16-17页 |
| 1.2 压缩感知理论的背景与意义 | 第17-18页 |
| 1.2.1 人脸识别的研究意义与现状 | 第17-18页 |
| 1.3 本论文的主要研究内容和创新 | 第18-20页 |
| 1.3.1 论文研究的核心问题 | 第18-19页 |
| 1.3.2 论文的主要贡献与创新 | 第19-20页 |
| 1.4 本论文的结构安排 | 第20-22页 |
| 第二章 压缩感知理论和人脸识别基础知识 | 第22-46页 |
| 2.1 引言 | 第22-34页 |
| 2.1.1 基础数学知识回顾 | 第22-24页 |
| 2.1.2 稀疏信号模型 | 第24-26页 |
| 2.1.3 压缩感知理论模型 | 第26-29页 |
| 2.1.4 测量矩阵条件 | 第29页 |
| 2.1.5 信号恢复算法 | 第29-34页 |
| 2.2 基于稀疏表示的人脸识别 | 第34-45页 |
| 2.2.1 基于稀疏表示的稳健人脸识别模型 | 第34-35页 |
| 2.2.2 基于稀疏表示的分类算法 | 第35-41页 |
| 2.2.3 特征空间分析 | 第41-45页 |
| 2.3 本章小结 | 第45-46页 |
| 第三章 不同噪声特性对人脸识别的研究 | 第46-64页 |
| 3.1 引言 | 第46页 |
| 3.2 幅度小而密的噪声问题 | 第46-49页 |
| 3.2.1 稳健SRC算法模型 | 第46页 |
| 3.2.2 根据小噪声个数判别方法 | 第46-49页 |
| 3.3 幅值大而稀疏的噪声情况分析 | 第49-52页 |
| 3.3.1 改进SRC算法 | 第49-50页 |
| 3.3.2 仿真分析 | 第50-52页 |
| 3.4 根据噪声幅度特性情况分析 | 第52-59页 |
| 3.4.1 贝叶斯概率模型 | 第53-54页 |
| 3.4.2 噪声幅度特性 | 第54-57页 |
| 3.4.3 噪声的连续性模型 | 第57-59页 |
| 3.5 扩展：基于近邻 | 第59-63页 |
| 3.5.1 基于近邻的分类 | 第60-61页 |
| 3.5.2 双权重分类 | 第61-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章 不同训练样本数目对人脸识别的研究 | 第64-73页 |
| 4.1 引言 | 第64页 |
| 4.2 训练样本数目过多情况 | 第64-69页 |
| 4.2.1 通过KNN方法及仿真分析型 | 第64-65页 |
| 4.2.2 通过LRC方法 | 第65页 |
| 4.2.3 通过字典学习方法 | 第65-67页 |
| 4.2.4 仿真分析 | 第67-69页 |
| 4.3 训练样本数目过少情况分析 | 第69-72页 |
| 4.3.2 合成图片方法 | 第70-71页 |
| 4.3.3 仿真分析 | 第71-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 结束语 | 第73-75页 |
| 5.1 本文工作及贡献 | 第73-74页 |
| 5.2 下一步工作建议和研究方向 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间研究成果 | 第80-81页 |
| 个人简历 | 第81-82页 |
