基于小波分析和稀疏表示融合的人脸识别算法研究
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 人脸识别技术的概述 | 第14-19页 |
| 1.3.1 人脸识别的基本概念 | 第14-15页 |
| 1.3.2 人脸识别的常用方法 | 第15-19页 |
| 1.4 人脸识别技术中的难点 | 第19页 |
| 1.5 本文研究内容与章节安排 | 第19-21页 |
| 2 人脸识别中的光照处理方法 | 第21-30页 |
| 2.1 传统光照预处理方法 | 第21-24页 |
| 2.2 基于光照模型的方法 | 第24-25页 |
| 2.3 光照不变量提取方法 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于小波的光照不变量算法研究 | 第30-52页 |
| 3.1 小波变换的基础知识 | 第30-35页 |
| 3.1.1 连续小波变换 | 第31-32页 |
| 3.1.2 离散小波变换 | 第32-33页 |
| 3.1.3 多分辨分析 | 第33-35页 |
| 3.2 基于小波光照不变量提取算法 | 第35-37页 |
| 3.2.1 朗伯光照模型 | 第35-37页 |
| 3.2.2 对数变换的应用 | 第37页 |
| 3.3 基于小波光照不变量的改进算法 | 第37-51页 |
| 3.3.1 基于近似轴对称人脸预处理方法 | 第37-39页 |
| 3.3.2 改进后的算法过程 | 第39-40页 |
| 3.3.3 仿真实验效果图对比 | 第40-42页 |
| 3.3.4 不同小波基对算法性能的影响 | 第42-45页 |
| 3.3.5 不同收缩参数λ对算法性能的影响 | 第45-49页 |
| 3.3.6 本章算法与其他算法的性能比较 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 基于稀疏表示的人脸识别算法 | 第52-63页 |
| 4.1 传统的稀疏表示 | 第52-55页 |
| 4.1.1 稀疏表示人脸识别算法 | 第52-54页 |
| 4.1.2 稀疏表示算法的优点和缺点 | 第54-55页 |
| 4.2 加权近邻稀疏表示的人脸识别方法 | 第55-57页 |
| 4.3 加权近邻稀疏表示的改进算法 | 第57-59页 |
| 4.4 仿真实验 | 第59-61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 基于小波融合与稀疏表示的人脸识别算法 | 第63-78页 |
| 5.1 对数域下的小波低频人脸特征提取 | 第63-65页 |
| 5.1.1 高斯平滑滤波原理 | 第64-65页 |
| 5.1.2 低频人脸特征提取过程 | 第65页 |
| 5.2 基于小波融合与稀疏表示的人脸识别 | 第65-69页 |
| 5.2.1 小波融合人脸特征模型 | 第66页 |
| 5.2.2 基于小波融合与稀疏表示的算法步骤 | 第66-69页 |
| 5.3 实验与分析 | 第69-76页 |
| 5.3.1 融合人脸特征效果图对比 | 第69-71页 |
| 5.3.2 不同小波基对于算法性能的影响 | 第71-73页 |
| 5.3.3 不同分类器对算法性能的影响 | 第73-74页 |
| 5.3.4 本章算法与传统光照算法的性能对比实验 | 第74-76页 |
| 5.3.5 本章算法与传统算法的性能对比实验 | 第76页 |
| 5.4 本章小结 | 第76-78页 |
| 6 结论与展望 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 作者简历 | 第85-87页 |
| 学位论文数据集 | 第87页 |
