| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 人脸识别的研究背景及意义 | 第10-12页 |
| 1.2 人脸识别的发展历程 | 第12-16页 |
| 1.3 人脸识别的研究现状 | 第16-17页 |
| 1.4 本文的主要研究内容和结构 | 第17-20页 |
| 2 子空间学习算法 | 第20-28页 |
| 2.1 主成分分析 | 第20-21页 |
| 2.2 线性判别分析 | 第21-23页 |
| 2.3 局部保持投影 | 第23-25页 |
| 2.4 非负矩阵分解 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 基于光滑性和主成分的非负矩阵分解算法 | 第28-40页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于光滑和主成分的非负矩阵分解 | 第29-31页 |
| 3.3 收敛性证明 | 第31-32页 |
| 3.4 实验 | 第32-38页 |
| 3.4.1 PIE 人脸库实验 | 第32-34页 |
| 3.4.2 AR 人脸库实验 | 第34-35页 |
| 3.4.3 FERET 人脸库实验 | 第35-38页 |
| 3.4.4 实验分析 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 二维非负主成分分析算法 | 第40-58页 |
| 4.1 引言 | 第40-42页 |
| 4.2 相关工作 | 第42-43页 |
| 4.2.1 二维主成分分析 | 第42页 |
| 4.2.2 基于 NMF 的人脸识别方法 | 第42-43页 |
| 4.3 二维非负主成分分析 | 第43-45页 |
| 4.3.1 2DNPCA 模型 | 第44页 |
| 4.3.2 2DNPCA 算法 | 第44-45页 |
| 4.3.3 2DNPCA 计算复杂度分析 | 第45页 |
| 4.4 2DNPCA 收敛性 | 第45-47页 |
| 4.5 分类器的选择 | 第47页 |
| 4.6 实验 | 第47-57页 |
| 4.6.1 关于数据库 | 第49-50页 |
| 4.6.2 2DNPCA 收敛性验证 | 第50-51页 |
| 4.6.3 2DNPCA 识别率随着参数的变化 | 第51-52页 |
| 4.6.4 二维算法的识别率随着压缩维数的变化 | 第52-54页 |
| 4.6.5 各种算法的识别率随着训练样本个数的变化 | 第54-57页 |
| 4.7 本章小结 | 第57-58页 |
| 5 基于梯度的稀疏表示算法 | 第58-80页 |
| 5.1 引言 | 第58-59页 |
| 5.2 SRC | 第59-61页 |
| 5.3 GSRC | 第61-64页 |
| 5.4 GSRC 算法的解释 | 第64-67页 |
| 5.4.1 视觉解释 | 第64-65页 |
| 5.4.2 小实验 | 第65-67页 |
| 5.5 实验 | 第67-79页 |
| 5.5.1 关于数据库和算法设置 | 第67-69页 |
| 5.5.2 无遮挡人脸识别 | 第69-73页 |
| 5.5.3 块状遮挡的人脸识别 | 第73-76页 |
| 5.5.4 真实伪装的人脸识别 | 第76-79页 |
| 5.6 本章小结 | 第79-80页 |
| 6 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 致谢 | 第82-84页 |
| 参考文献 | 第84-94页 |
| 附录 | 第94页 |
| A. 作者在攻读学位期间发表的论文目录 | 第94页 |
| B. 作者在攻读学位期间申请的专利目录 | 第94页 |