| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第12-29页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-25页 |
| 1.2.1 单训练样本人脸识别 | 第14-21页 |
| 1.2.2 低分辨率人脸识别 | 第21-25页 |
| 1.3 研究内容与结构 | 第25-27页 |
| 1.4 主要创新点 | 第27-29页 |
| 第二章 相关理论和方法 | 第29-42页 |
| 2.1 判别分析理论 | 第29-33页 |
| 2.1.1 线性判别分析 | 第29-30页 |
| 2.1.2 核线性判别分析 | 第30-32页 |
| 2.1.3 局部线性判别分析 | 第32-33页 |
| 2.2 耦合映射理论 | 第33-37页 |
| 2.2.1 典型相关性分析 | 第33-35页 |
| 2.2.2 耦合局部保持映射 | 第35-36页 |
| 2.2.3 耦合边际Fisher分析 | 第36-37页 |
| 2.3 领域自适应理论 | 第37-41页 |
| 2.3.1 迁移成分分析 | 第38-40页 |
| 2.3.2 跨领域低秩重构 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于人脸图像对称性的单训练样本人脸识别方法研究 | 第42-64页 |
| 3.1 引言 | 第42-44页 |
| 3.2 多特征子空间分析 | 第44-49页 |
| 3.2.1 图像分块和子图聚类 | 第44-45页 |
| 3.2.2 图像块白化处理 | 第45页 |
| 3.2.3 判别子空间学习 | 第45-48页 |
| 3.2.4 图像识别 | 第48-49页 |
| 3.3 多特征子空间方法的优势分析 | 第49-51页 |
| 3.4 实验分析 | 第51-62页 |
| 3.4.1 人脸数据库介绍 | 第51-53页 |
| 3.4.2 基本实验设置 | 第53-54页 |
| 3.4.3 算法比较与分析 | 第54-60页 |
| 3.4.4 参数分析 | 第60-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 基于领域自适应的单训练样本人脸识别方法研究 | 第64-85页 |
| 4.1 引言 | 第64-67页 |
| 4.2 增强判别特征学习模型建立与优化 | 第67-74页 |
| 4.2.1 符号定义 | 第67页 |
| 4.2.2 局部保持领域自适应 | 第67-69页 |
| 4.2.3 增强判别特征学习建模 | 第69-71页 |
| 4.2.4 增强判别特征学习模型求解 | 第71-74页 |
| 4.3. 实验分析 | 第74-84页 |
| 4.3.1 人脸数据库介绍 | 第75-76页 |
| 4.3.2 基本实验设置 | 第76-77页 |
| 4.3.3 增强判别特征学习算法分析 | 第77-80页 |
| 4.3.4 算法比较与分析 | 第80-84页 |
| 4.4 本章小结 | 第84-85页 |
| 第五章 基于集群正则化的单训练样本低分辨率人脸识别方法研究 | 第85-110页 |
| 5.1 引言 | 第85-87页 |
| 5.2. 问题描述 | 第87-88页 |
| 5.3 C-RSDA算法 | 第88-97页 |
| 5.3.1 集群SDA | 第89-91页 |
| 5.3.2 基于集群的正则化方法 | 第91-92页 |
| 5.3.3 图像匹配 | 第92-94页 |
| 5.3.4 C-RSDA分析 | 第94-97页 |
| 5.4. 实验分析 | 第97-108页 |
| 5.4.1 人脸数据库介绍 | 第97-98页 |
| 5.4.2 基本实验设置 | 第98页 |
| 5.4.3 算法比较和分析 | 第98-102页 |
| 5.4.4 参数灵敏度分析 | 第102-105页 |
| 5.4.5 无约束低分辨率人脸图像的识别评测 | 第105-108页 |
| 5.5 本章小结 | 第108-110页 |
| 第六章 总结与展望 | 第110-113页 |
| 6.1 研究总结 | 第110-111页 |
| 6.2 研究展望 | 第111-113页 |
| 致谢 | 第113-114页 |
| 参考文献 | 第114-122页 |
| 附录: 攻读博士期间完成论文、专利和参与项目列表 | 第122-123页 |
