基于PCA的人脸识别算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 概论 | 第9-15页 |
| ·人脸识别的应用和研究背景 | 第9-11页 |
| ·人脸识别的研究方向 | 第11-13页 |
| ·人脸识别库 | 第13-14页 |
| ·本文大概安排 | 第14-15页 |
| 2 识别系统 | 第15-27页 |
| ·系统概述 | 第15页 |
| ·获取人脸图像信息 | 第15-16页 |
| ·检测定位 | 第16页 |
| ·图像的预处理 | 第16-20页 |
| ·颜色处理 | 第17页 |
| ·几何归一化 | 第17-19页 |
| ·均衡化 | 第19-20页 |
| ·灰度归一化 | 第20页 |
| ·特征提取和选择 | 第20-24页 |
| ·基于几何的人脸识别 | 第21-22页 |
| ·隐马尔可夫模型的人脸识别 | 第22页 |
| ·基于随机向量的人脸识别 | 第22-23页 |
| ·基于神经网络的人脸识别 | 第23-24页 |
| ·分类器选择 | 第24-26页 |
| ·小结 | 第26-27页 |
| 3 主成分分析的人脸识别 | 第27-43页 |
| ·理论基础知识 | 第27-30页 |
| ·人脸图像的计算机表述 | 第27-28页 |
| ·PCA原理 | 第28-29页 |
| ·奇异值分解 | 第29-30页 |
| ·基于PCA的人脸识别 | 第30-33页 |
| ·生成训练样本 | 第31-32页 |
| ·K-L变换的生成矩阵 | 第32页 |
| ·求特征值和特征向量 | 第32页 |
| ·求特征空间 | 第32-33页 |
| ·提取特征 | 第33页 |
| ·识别分类 | 第33页 |
| ·人脸识别实验 | 第33-36页 |
| ·特征值的数目对结果的影响 | 第33-35页 |
| ·分类器对识别的影响 | 第35-36页 |
| ·分块PCA算法 | 第36-39页 |
| ·分块原理 | 第36页 |
| ·提取特征 | 第36-37页 |
| ·实验结果分析 | 第37-39页 |
| ·改进的分块算法 | 第39-41页 |
| ·算法原理 | 第39-40页 |
| ·实验结果分析 | 第40-41页 |
| ·小结 | 第41-43页 |
| 4 2DPCA算法为基础的人脸识别 | 第43-51页 |
| ·2DPCA算法 | 第43-46页 |
| ·基本原理 | 第43-45页 |
| ·实验结果分析 | 第45-46页 |
| ·分块2DPCA | 第46-47页 |
| ·改进的分块2DPCA | 第47-50页 |
| ·基本原理 | 第47-49页 |
| ·实验结果 | 第49-50页 |
| ·小结 | 第50-51页 |
| 5 基于小波变换的人脸识别 | 第51-57页 |
| ·小波变换下的2DPCA算法 | 第51-56页 |
| ·小波理论 | 第51-53页 |
| ·算法原理 | 第53-54页 |
| ·实验结果分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
