人脸识别分类器的设计及决策融合算法
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-19页 |
| ·背景及意义 | 第10-12页 |
| ·人脸识别的一般过程 | 第12-13页 |
| ·人脸识别算法综述 | 第13-15页 |
| ·基于几何特征的方法 | 第13-14页 |
| ·基于统计特征的子空间法 | 第14页 |
| ·支持向量机方法 | 第14-15页 |
| ·隐马尔可夫模型 | 第15页 |
| ·神经网络 | 第15页 |
| ·困难和挑战 | 第15-17页 |
| ·发展趋势 | 第17页 |
| ·论文主要工作及组织结构 | 第17-19页 |
| ·主要工作 | 第17-18页 |
| ·组织结构 | 第18-19页 |
| 第二章 人脸识别最小二乘分类器 | 第19-30页 |
| ·引言 | 第19-20页 |
| ·主成分分析特征提取算法 | 第20-23页 |
| ·特征提取的目的及方法 | 第20页 |
| ·K-L变换 | 第20-22页 |
| ·主成分分析特征提取算法 | 第22-23页 |
| ·最小二乘分类器 | 第23-27页 |
| ·超定线性方程组的最小二乘解 | 第23-24页 |
| ·分类器的设计 | 第24-26页 |
| ·分类过程 | 第26-27页 |
| ·实验结果与分析 | 第27-29页 |
| ·小结与讨论 | 第29-30页 |
| 第三章 人脸识别稀疏表示分类器 | 第30-53页 |
| ·引言 | 第30-31页 |
| ·稀疏表示理论 | 第31-39页 |
| ·数学模型 | 第31-32页 |
| ·字典的设计 | 第32-33页 |
| ·稀疏分解算法 | 第33-39页 |
| ·稀疏表示分类器 | 第39-44页 |
| ·分类器设计 | 第39-41页 |
| ·分类过程 | 第41-44页 |
| ·自适应字典的构建 | 第44页 |
| ·实验结果与分析 | 第44-51页 |
| ·ORL人脸库实验 | 第45-46页 |
| ·AR人脸库实验 | 第46-49页 |
| ·自适应字典实验 | 第49-51页 |
| ·小结与讨论 | 第51-53页 |
| 第四章 基于信心指数的决策融合算法 | 第53-65页 |
| ·引言 | 第53-54页 |
| ·贝叶斯决策理论 | 第54-56页 |
| ·基本概念 | 第54-55页 |
| ·最小错误率的贝叶斯决策 | 第55页 |
| ·最小风险的贝叶斯决策 | 第55-56页 |
| ·信心指数决策融合算法 | 第56-59页 |
| ·信心指数 | 第56-58页 |
| ·决策融合过程 | 第58-59页 |
| ·实验结果与分析 | 第59-63页 |
| ·实验结果分析 | 第63页 |
| ·小结与讨论 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| ·总结 | 第65页 |
| ·展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间的研究成果 | 第72页 |
