基于整体和局部的人脸识别的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 人脸识别的相关研究工作 | 第9-11页 |
| 1.2.1 人脸识别的研究历史和现状 | 第9-10页 |
| 1.2.2 人脸识别评价标准 | 第10页 |
| 1.2.3 经典人脸数据库 | 第10-11页 |
| 1.2.4 FERET测评与FRVT测评 | 第11页 |
| 1.3 人脸识别领域的未来趋势 | 第11-12页 |
| 1.4 论文的主要工作 | 第12-13页 |
| 1.5 论文的结构安排 | 第13页 |
| 1.6 本章小结 | 第13-15页 |
| 2 人脸识别相关算法 | 第15-26页 |
| 2.1 人脸识别的研究对象 | 第15-16页 |
| 2.1.1 人脸识别的步骤 | 第15页 |
| 2.1.2 相关经典算法 | 第15-16页 |
| 2.2 人脸识别相关算法 | 第16-18页 |
| 2.2.1 独立元分析（ICA） | 第16页 |
| 2.2.2 线性判别分析（LDA） | 第16-17页 |
| 2.2.3 局部保持投影（LPP） | 第17-18页 |
| 2.3 图像预处理算法 | 第18-23页 |
| 2.3.1 灰度的对数变换 | 第18-19页 |
| 2.3.2 伽玛变换 | 第19-21页 |
| 2.3.3 边缘检测 | 第21-23页 |
| 2.4 人脸识别中的难点与热点问题 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于PCA和SVM的人脸识别的研究 | 第26-39页 |
| 3.1 主成分分析算法 | 第26-29页 |
| 3.2 支持向量机 | 第29-36页 |
| 3.2.1 支持向量机的基础理论 | 第29-35页 |
| 3.2.2 核函数 | 第35-36页 |
| 3.3 仿真实验及分析 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 基于整体和局部特征融合的人脸识别的研究 | 第39-48页 |
| 4.1 Bayesian融合策略 | 第39-40页 |
| 4.2 局部二值模式 | 第40-43页 |
| 4.2.1 基本LBP算子 | 第40-41页 |
| 4.2.2 改进型LBP算子 | 第41-43页 |
| 4.3 特征提取以及特征融合 | 第43-45页 |
| 4.3.1 局部LBP特征提取 | 第43-44页 |
| 4.3.2 分块图像贡献率的计算 | 第44页 |
| 4.3.3 局部特征和整体特征的融合 | 第44-45页 |
| 4.4 实验分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间的研究成果 | 第54页 |
