| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 人脸识别技术相关的研究背景 | 第13-15页 |
| 1.1.1 人脸识别技术给其他学科的发展带来动力 | 第14-15页 |
| 1.1.2 人脸识别技术有着广阔的潜在市场需求 | 第15页 |
| 1.2 国内外研究的现状 | 第15-16页 |
| 1.3 人脸识别系统的主要研究内容 | 第16-18页 |
| 1.4 本文的主要研究内容 | 第18-21页 |
| 1.4.1 本文的主要工作 | 第18页 |
| 1.4.2 本文的主要安排 | 第18-21页 |
| 第二章 传统子空间人脸识别算法 | 第21-31页 |
| 2.1 奇异值分解 | 第21-24页 |
| 2.1.1 奇异值分解的相关各个定理 | 第21-23页 |
| 2.1.2 奇异值分解定理在应用于人脸识别时的优缺点分析 | 第23-24页 |
| 2.2 主成分分析(PCA) | 第24-26页 |
| 2.3 线性判别分析算法(LDA) | 第26-27页 |
| 2.4 矩阵的QR分解 | 第27-28页 |
| 2.5 KPCA算法 | 第28-31页 |
| 第三章 基于p范数的QR-KPCA算法 | 第31-43页 |
| 3.1 算法概述 | 第31-35页 |
| 3.1.1 基于QR分解的主成分分析(QR-PCA) | 第31-32页 |
| 3.1.2 基于QR分解的核主成分分析（QR-KPCA） | 第32-35页 |
| 3.1.3 p范数的定义 | 第35页 |
| 3.2 实验结果及分析 | 第35-41页 |
| 3.2.1 基于QR-PCA中p范数中参数p的最优选择 | 第36-38页 |
| 3.2.2 基于QR-KPCA中p范数中参数p的最优选择 | 第38-41页 |
| 3.3 本章总结 | 第41-43页 |
| 第四章 混合核函数的快速KPCA算法 | 第43-55页 |
| 4.1 FKPCA算法概述 | 第43-48页 |
| 4.2 实验结果及分析 | 第48-53页 |
| 4.2.1 基于高斯核函数的FKPCA和KPCA在ORL数据库的比较 | 第48-50页 |
| 4.2.2 基于混合核函数的FKPCA和KPCA在AR数据库的比较 | 第50-51页 |
| 4.2.3 基于混合核函数的FKPCA和KPCA在ORL数据库的比较 | 第51-53页 |
| 4.3 本章总结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63-64页 |
