基于独立成分分析模型的人脸识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 人脸识别研究意义和发展概况 | 第10-12页 |
| 1.2 独立成分分析模型 | 第12-13页 |
| 1.3 实验常用人脸库介绍 | 第13-14页 |
| 1.3.1 ORL人脸库 | 第13页 |
| 1.3.2 YALE人脸库 | 第13-14页 |
| 1.4 本文研究内容与章节安排 | 第14-16页 |
| 第二章 分类算法和ICA预处理算法 | 第16-25页 |
| 2.1 KNN分类器 | 第16页 |
| 2.2 支持向量机 | 第16-18页 |
| 2.2.1 SVM训练算法 | 第17-18页 |
| 2.2.2 多类SVM算法 | 第18页 |
| 2.3 常用距离或者相似度度量 | 第18-19页 |
| 2.3.1 马氏距离 | 第18-19页 |
| 2.3.2 余弦相似度 | 第19页 |
| 2.4 小波变换 | 第19-21页 |
| 2.5 主成分分析PCA | 第21-22页 |
| 2.6 PCA定义的白化矩阵 | 第22-23页 |
| 2.7 实验一：离散小波变换的作用 | 第23-24页 |
| 2.8 本章小结 | 第24-25页 |
| 第三章 独立分析模型预备知识 | 第25-32页 |
| 3.1 中心极限定理 | 第25页 |
| 3.2 非高斯就是独立的 | 第25-26页 |
| 3.3 非高斯性的衡量 | 第26-30页 |
| 3.3.1 峭度定义 | 第26-27页 |
| 3.3.2 负熵定义 | 第27-28页 |
| 3.3.3 负熵的近似 | 第28-30页 |
| 3.4 实验二：峭度对非高斯性的衡量 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 独立成分分析模型和求解算法 | 第32-38页 |
| 4.1 ICA模型的基本思想 | 第32页 |
| 4.2 ICA模型的基本统计假设和不确定性 | 第32-33页 |
| 4.3 基于负熵的Fast ICA算法 | 第33-37页 |
| 4.3.1 数据预处理 | 第33-34页 |
| 4.3.2 Fast ICA算法 | 第34-35页 |
| 4.3.3 一元独立成分的计算 | 第35页 |
| 4.3.4 独立成分的串行正交化 | 第35-36页 |
| 4.3.5 独立成分的并行正交化 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 ICA模型的两种结构和特征融合 | 第38-45页 |
| 5.1 结构I：ICA1统计独立的基人脸 | 第39-40页 |
| 5.2 结构II：ICA2因子表示 | 第40-41页 |
| 5.3 实验三：独立“基人脸”和因子表示 | 第41-42页 |
| 5.4 ICA两种结构的特征融合 | 第42-43页 |
| 5.4.1 串行特征融合 | 第42-43页 |
| 5.4.2 并行特征融合 | 第43页 |
| 5.5 实验四：串行和并行特征融合 | 第43-44页 |
| 5.6 本章小结 | 第44-45页 |
| 第六章 ICA和分类器 | 第45-48页 |
| 6.1 实验五：分类器的识别效果 | 第45-46页 |
| 6.2 实验六：ICA并行特征融合与SVM分类器 | 第46-48页 |
| 第七章 工作总结与展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
