| 摘要 | 第4-8页 |
| ABSTRACT | 第8-12页 |
| 第一章 绪论 | 第17-32页 |
| 1.1 研究背景意义及课题来源 | 第17-18页 |
| 1.1.1 研究背景及意义 | 第17-18页 |
| 1.1.2 课题来源 | 第18页 |
| 1.2 国内外研究现状 | 第18-23页 |
| 1.2.1 非数据驱动的算法 | 第19-20页 |
| 1.2.2 基于数据驱动的算法 | 第20-23页 |
| 1.3 无约束环境下人脸识别算法的现有挑战 | 第23-24页 |
| 1.4 本文的研究内容 | 第24-30页 |
| 1.4.1 人脸图像的去模糊问题研究 | 第25-26页 |
| 1.4.2 单一类内因素极端变化问题的人脸识别研究 | 第26-29页 |
| 1.4.3 多重类内因素同时变化问题的人脸识别研究 | 第29-30页 |
| 1.5 本文的章节安排 | 第30-32页 |
| 第二章 人脸识别研究的相关理论概述 | 第32-44页 |
| 2.1 人脸识别研究的基本原理概述 | 第32-36页 |
| 2.1.1 人脸图像采集 | 第33页 |
| 2.1.2 预处理 | 第33-34页 |
| 2.1.3 人脸图像特征提取 | 第34-35页 |
| 2.1.4 模式识别 | 第35-36页 |
| 2.2 人脸识别算法的评测标准概述 | 第36-44页 |
| 2.2.1 人脸识别评测指标 | 第36-37页 |
| 2.2.2 人脸识别数据库 | 第37-44页 |
| 第三章 基于权重的非局部自相似(WNLSS)人脸去模糊算法 | 第44-64页 |
| 3.1 引言 | 第44-45页 |
| 3.2 相关工作及其所存在的问题 | 第45-48页 |
| 3.2.1 图像去模糊的基本原理 | 第45-46页 |
| 3.2.2 现有工作所存在的问题 | 第46-47页 |
| 3.2.3 传统稀疏表示模型 | 第47-48页 |
| 3.3 WNLSS算法的设计思路及具体实现 | 第48-52页 |
| 3.3.1 WNLSS算法的字典学习 | 第48-50页 |
| 3.3.2 WNLSS算法的正则化项 | 第50-51页 |
| 3.3.3 WNLSS算法的数据保真项 | 第51-52页 |
| 3.4 WNLSS算法的优化 | 第52-54页 |
| 3.5 实验结果及分析 | 第54-62页 |
| 3.5.1 WNLSS算法的参数讨论 | 第54-55页 |
| 3.5.2 在人工合成模糊图像上的性能 | 第55-59页 |
| 3.5.3 在真实模糊图像上的性能 | 第59-62页 |
| 3.6 本章小结 | 第62-64页 |
| 第四章 基于二值特征的人脸识别算法 | 第64-102页 |
| 4.1 引言 | 第64-65页 |
| 4.2 现有二值特征学习框架及所存在的问题 | 第65-70页 |
| 4.2.1 二值特征学习框架的描述 | 第65-69页 |
| 4.2.2 现有问题 | 第69-70页 |
| 4.3 改进思路 | 第70-71页 |
| 4.4 基于迭代量化的二值编码人脸识别算法 | 第71-75页 |
| 4.4.1 目标函数的建立 | 第72-73页 |
| 4.4.2 目标函数的优化 | 第73-75页 |
| 4.5 基于球哈希的二值编码人脸识别算法 | 第75-80页 |
| 4.5.1 目标函数的建立 | 第77-78页 |
| 4.5.2 目标函数的优化 | 第78-80页 |
| 4.6 基于稀疏投影矩阵的二值描述子人脸识别算法 | 第80-84页 |
| 4.6.1 目标函数的建立 | 第81-82页 |
| 4.6.2 目标函数的优化 | 第82-84页 |
| 4.7 实验结果及分析 | 第84-100页 |
| 4.7.1 IQBC算法实验结果及分析 | 第85-88页 |
| 4.7.2 SHBC算法实验结果及分析 | 第88-96页 |
| 4.7.3 SPMBD算法实验结果及分析 | 第96-100页 |
| 4.8 本章小结 | 第100-102页 |
| 第五章 基于子空间学习的深度学习人脸识别算法 | 第102-125页 |
| 5.1 引言 | 第102-103页 |
| 5.2 CNN模型及其现有问题 | 第103-105页 |
| 5.2.1 卷积神经网络模型 | 第103-105页 |
| 5.2.2 现有问题 | 第105页 |
| 5.3 谱回归判别分析深度网络人脸识别算法 | 第105-110页 |
| 5.3.1 SRDANet的卷积层 | 第107-108页 |
| 5.3.2 SRDANet的非线性处理层 | 第108-109页 |
| 5.3.3 SRDANet的特征池化层 | 第109页 |
| 5.3.4 SRDANet的计算复杂度 | 第109-110页 |
| 5.4 多尺度融合的主成分分析网络人脸识别算法 | 第110-115页 |
| 5.4.1 MS-PCANet的卷积层 | 第111-112页 |
| 5.4.2 MS-PCANet的非线性处理层 | 第112-113页 |
| 5.4.3 MS-PCANet的池化层 | 第113-114页 |
| 5.4.4 MS-PCANet的输出层 | 第114-115页 |
| 5.5 实验结果及分析 | 第115-123页 |
| 5.5.1 SRDANet算法实验结果及分析 | 第115-117页 |
| 5.5.2 MS-PCANet算法实验结果及分析 | 第117-123页 |
| 5.6 本章小结 | 第123-125页 |
| 第六章 总结与展望 | 第125-129页 |
| 6.1 本文研究工作的总结 | 第125-126页 |
| 6.2 未来工作的展望 | 第126-129页 |
| 参考文献 | 第129-139页 |
| 缩略语说明 | 第139-140页 |
| 致谢 | 第140-142页 |
| 攻读学位期间的学术成果 | 第142-143页 |
