| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 1 绪论 | 第15-28页 |
| ·研究背景和意义 | 第15-17页 |
| ·人脸识别的研究状况 | 第17-20页 |
| ·人脸识别的研究内容 | 第20-21页 |
| ·人脸识别的难点 | 第21-22页 |
| ·人脸识别技术的一些典型应用 | 第22-24页 |
| ·公共场所安全监控 | 第22页 |
| ·入口控制 | 第22-23页 |
| ·计算机与网络安全 | 第23页 |
| ·银行和金融系统 | 第23页 |
| ·人脸数据库检索 | 第23页 |
| ·考勤系统 | 第23-24页 |
| ·个性化人机交互 | 第24页 |
| ·人脸识别系统性能的评价 | 第24-26页 |
| ·误拒率、误识率和接受者操作特征曲线 | 第24-25页 |
| ·累积匹配特性曲线 | 第25页 |
| ·速度 | 第25-26页 |
| ·本文的研究思想和主要工作 | 第26-27页 |
| ·论文的组织结构 | 第27-28页 |
| 2 人脸识别的主要理论方法 | 第28-44页 |
| ·引言 | 第28页 |
| ·人脸识别的常用方法 | 第28-42页 |
| ·主分量分析法 | 第28-29页 |
| ·线性判别分析法 | 第29-31页 |
| ·局部特征分析法 | 第31-34页 |
| ·独立分量分析法 | 第34-35页 |
| ·隐马尔可夫模型法 | 第35-38页 |
| ·弹性图匹配法 | 第38-40页 |
| ·神经网络法 | 第40-41页 |
| ·支持向量机法 | 第41-42页 |
| ·人脸识别的发展方向 | 第42-43页 |
| ·预处理技术 | 第42页 |
| ·数据采集技术 | 第42-43页 |
| ·多重特征和多种技术的融合 | 第43页 |
| ·新一代基于认知机理理论方法的探索 | 第43页 |
| ·小结 | 第43-44页 |
| 3 人脸图像的预处理 | 第44-59页 |
| ·引言 | 第44页 |
| ·人脸检测和眼睛定位 | 第44-49页 |
| ·人脸检测 | 第44-45页 |
| ·特征计算 | 第45-46页 |
| ·分类器训练 | 第46-48页 |
| ·分类器级联 | 第48-49页 |
| ·眼睛定位 | 第49页 |
| ·几何规范化 | 第49-53页 |
| ·仿射变换 | 第49-51页 |
| ·灰度级插值 | 第51-53页 |
| ·灰度规范化 | 第53-55页 |
| ·图像平滑 | 第53页 |
| ·直方图均衡化 | 第53-55页 |
| ·灰度归一化 | 第55页 |
| ·人脸图像识别的预处理过程 | 第55-58页 |
| ·小结 | 第58-59页 |
| 4 二维Gabor小波变换及其在识别应用中的响应特性 | 第59-70页 |
| ·引言 | 第59页 |
| ·Gabor小波的生物学背景 | 第59-60页 |
| ·二维Gabor小波变换 | 第60-62页 |
| ·二维Gabor滤波器组的参数 | 第62-65页 |
| ·参数的选择 | 第62-64页 |
| ·参数的意义 | 第64-65页 |
| ·二维Gabor滤波器在人脸识别应用中的响应特性 | 第65-69页 |
| ·边缘 | 第65-66页 |
| ·亮度 | 第66-67页 |
| ·位置 | 第67-69页 |
| ·小结 | 第69-70页 |
| 5 基于Gabor小波表示的弹性束图匹配人脸识别 | 第70-88页 |
| ·引言 | 第70页 |
| ·弹性图匹配 | 第70-72页 |
| ·弹性束图匹配 | 第72-81页 |
| ·人脸表示 | 第73-74页 |
| ·人脸束图 | 第74-75页 |
| ·位移估计 | 第75-79页 |
| ·图的相似性度量 | 第79页 |
| ·匹配过程 | 第79-81页 |
| ·人脸识别 | 第81页 |
| ·弹性束图匹配算法的改进 | 第81-84页 |
| ·人脸束图的改进 | 第81-82页 |
| ·预处理阶段的改进 | 第82页 |
| ·特征点定位阶段的改进 | 第82-84页 |
| ·实验结果 | 第84-86页 |
| ·小结 | 第86-88页 |
| 6 人脸识别中不同特征影响的分析和处理 | 第88-102页 |
| ·引言 | 第88页 |
| ·局部特征影响的衡量分析和加权处理 | 第88-94页 |
| ·衡量局部特征分类性能的离散度准则 | 第89-91页 |
| ·人脸局部特征的分类性能 | 第91-92页 |
| ·人脸局部特征权值的确定 | 第92-93页 |
| ·实验结果 | 第93-94页 |
| ·单个Gabor特征对人脸识别的影响分析和优化选择 | 第94-100页 |
| ·单个Gabor特征分类性能的衡量准则 | 第95-96页 |
| ·Gabor特征的位置、频率和方向对人脸识别影响的统计分析 | 第96-99页 |
| ·实验结果 | 第99-100页 |
| ·小结 | 第100-102页 |
| 7 基于支持向量机的分类识别 | 第102-123页 |
| ·引言 | 第102页 |
| ·支持向量机的理论背景 | 第102-106页 |
| ·期望风险最小化 | 第103页 |
| ·经验风险最小化 | 第103-104页 |
| ·函数集的VC维 | 第104页 |
| ·推广性的界 | 第104-105页 |
| ·结构风险最小化 | 第105-106页 |
| ·支持向量机基本理论 | 第106-111页 |
| ·最优分类超平面 | 第106-107页 |
| ·线性分类问题 | 第107-109页 |
| ·非线性分类问题 | 第109-110页 |
| ·核函数 | 第110-111页 |
| ·支持向量机训练算法 | 第111-117页 |
| ·块算法 | 第112页 |
| ·分解算法 | 第112-113页 |
| ·序贯最小优化算法 | 第113-117页 |
| ·多类问题 | 第117-120页 |
| ·多类支持向量机 | 第117-118页 |
| ·一对多分类 | 第118页 |
| ·一对一分类 | 第118页 |
| ·层次分解的支持向量机二叉决策树 | 第118-120页 |
| ·实验结果 | 第120-121页 |
| ·小结 | 第121-123页 |
| 结语 | 第123-126页 |
| (一) 结论 | 第123-124页 |
| (二) 展望 | 第124-126页 |
| 参考文献 | 第126-134页 |
| 攻读博士学位期间发表学术论文情况 | 第134-135页 |
| 创新点摘要 | 第135-136页 |
| 致谢 | 第136-137页 |
| 附录A 作者参与开发的人脸识别算法所获得的奖项 | 第137-138页 |
| 附录B 生物特征识别算法竞赛中人脸识别的测试结果 | 第138-139页 |
| 大连理工大学学位论文版权使用授权书 | 第139页 |
