| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 相关研究现状 | 第15-16页 |
| 1.3 人脸识别研究内容 | 第16-17页 |
| 1.4 人脸识别中存在的问题 | 第17-18页 |
| 1.5 本文的主要研究内容 | 第18-20页 |
| 1.5.1 本文的主要工作 | 第18页 |
| 1.5.2 本文的内容安排 | 第18-20页 |
| 第二章 线性人脸识别算法 | 第20-28页 |
| 2.1 奇异值分解 | 第20-22页 |
| 2.1.1 奇异值分解定理 | 第21-22页 |
| 2.2 主成分分析 | 第22-24页 |
| 2.2.1 Karhunen-Loeve变换 | 第22-23页 |
| 2.2.2 PCA算法 | 第23-24页 |
| 2.3 二维主成分分析 | 第24-25页 |
| 2.4 线性判别分析 | 第25-26页 |
| 2.5 二维线性判别分析 | 第26-28页 |
| 第三章 非线性主成分分析算法 | 第28-42页 |
| 3.1 核函数预备知识 | 第28-30页 |
| 3.2 核主成分分析 | 第30-31页 |
| 3.3 Cholesky分解 | 第31-33页 |
| 3.3.1 Cholesky分解 | 第31-32页 |
| 3.3.2 选主元的Choesky分解低秩近似算法 | 第32-33页 |
| 3.4 二维核主成分分析 | 第33-34页 |
| 3.5 基于选主元的Choesky分解的KPCA算法 | 第34-37页 |
| 3.5.1 核矩阵的低秩近似—选主元的Cholesky方法 | 第35-36页 |
| 3.5.2 低秩近似的KPCA/K2DPCA特征向量的计算 | 第36-37页 |
| 3.6 实验结果及分析 | 第37-41页 |
| 3.6.1 中小规模训练数据的去噪效果比较 | 第37-39页 |
| 3.6.2 大规模数据实验 | 第39-41页 |
| 3.7 本章结束语 | 第41-42页 |
| 第四章 非线性判别分析算法 | 第42-50页 |
| 4.1 核判别分析 | 第42-44页 |
| 4.2 二维核判别分析 | 第44-45页 |
| 4.3 低秩近似的K2DLDA特征向量计算 | 第45页 |
| 4.4 实验结果及分析 | 第45-48页 |
| 4.5 本章结束语 | 第48-50页 |
| 第五章 结论与展望 | 第50-52页 |
| 5.1 研究结论 | 第50页 |
| 5.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-60页 |
| 作者简介 | 第60-61页 |
| 1.基本情况 | 第60页 |
| 2.教育背景 | 第60页 |
| 3.攻读硕士学位期间的研究成果 | 第60-61页 |
