| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·人脸识别技术研究的背景和意义 | 第8-9页 |
| ·人脸识别技术的研究现状 | 第9-13页 |
| ·论文的主要内容和结构安排 | 第13-15页 |
| 第2章 人脸图像预处理 | 第15-23页 |
| ·图像的归一化 | 第15-17页 |
| ·几何归一化 | 第15-16页 |
| ·灰度归一化 | 第16-17页 |
| ·图像二值化 | 第17-18页 |
| ·图像增强 | 第18-19页 |
| ·图像压缩 | 第19-22页 |
| ·DCT 变换 | 第20-21页 |
| ·小波包变换 | 第21-22页 |
| ·本文采用的人脸图像预处理方法 | 第22页 |
| ·本章小节 | 第22-23页 |
| 第3章 人脸图像的特征提取 | 第23-34页 |
| ·PCA 算法在人脸特征提取中的应用 | 第23-25页 |
| ·PCA 基本算法 | 第24页 |
| ·基于PCA 算法的人脸特征提取 | 第24-25页 |
| ·ICA 算法在人脸特征提取中的应用 | 第25-30页 |
| ·基于负熵的快速独立分量分析（FastICA）算法原理 | 第25-28页 |
| ·基于FastICA 算法的人脸特征提取 | 第28-29页 |
| ·PCA 和ICA 算法的比较 | 第29-30页 |
| ·M-FastICA 算法在人脸特征提取中的应用 | 第30-33页 |
| ·M-FastICA 算法的原理 | 第30页 |
| ·M-FastICA 算法与FastICA 算法的性能比较 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 BP 神经网络分类器的设计与实现 | 第34-44页 |
| ·人工神经网络 | 第34页 |
| ·BP 神经网络 | 第34-37页 |
| ·BP 神经网络的结构 | 第35页 |
| ·BP 神经网络算法 | 第35-36页 |
| ·BP 算法存在的缺点及改进 | 第36-37页 |
| ·基于BP 神经网络分类器的人脸识别 | 第37-43页 |
| ·BP 神经网络分类器的设计 | 第37-38页 |
| ·网络初始值的选择 | 第38页 |
| ·其他网络参数的选取 | 第38-39页 |
| ·BP 神经网络的训练过程 | 第39-40页 |
| ·BP 神经网络的训练 | 第40-41页 |
| ·隐含层节点数选择实验及人脸识别结果分析 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 QGA-BP 神经网络分类器设计 | 第44-55页 |
| ·量子遗传算法 | 第44-48页 |
| ·概述 | 第44-45页 |
| ·量子比特编码 | 第45页 |
| ·量子旋转门调整策略 | 第45-47页 |
| ·量子遗传算法流程 | 第47-48页 |
| ·量子遗传算法与神经网络的结合 | 第48-50页 |
| ·量子遗传算法优化BP 神经网络权值方法的选择 | 第48-49页 |
| ·量子遗传算法优化BP 网络连接权值的步骤 | 第49-50页 |
| ·基于量子遗传算法的BP 神经网络分类器的设计 | 第50-52页 |
| ·参数的选取 | 第50-51页 |
| ·量子交叉和旋转门演化机制 | 第51-52页 |
| ·BP 神经网络参数设定 | 第52页 |
| ·算法的实现 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第6章 QGA-BP 人脸识别系统设计与实现 | 第55-64页 |
| ·本文设计的人脸识别系统 | 第55-56页 |
| ·人脸识别系统中各个模块的实现 | 第56-63页 |
| ·人脸图像预处理模块的实现 | 第56页 |
| ·特征提取模块的实现 | 第56-57页 |
| ·QGA-BP 分类器训练模块的实现 | 第57-58页 |
| ·人脸识别模块的实现 | 第58-63页 |
| ·本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间公开发表的论文 | 第69-70页 |
| 致谢 | 第70页 |