| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第11-13页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 人脸识别研究现状 | 第14-15页 |
| 1.2.2 子空间投影研究现状 | 第15-16页 |
| 1.2.3 字典学习研究现状 | 第16页 |
| 1.2.4 低秩表示研究现状 | 第16-17页 |
| 1.2.5 小样本问题研究现状 | 第17-18页 |
| 1.3 课题主要研究内容 | 第18-20页 |
| 1.4 论文内容安排 | 第20-22页 |
| 1.4.1 标准人脸数据库介绍 | 第20页 |
| 1.4.2 章节安排 | 第20-22页 |
| 第二章 人脸识别基本原理 | 第22-42页 |
| 2.1 基于子空间投影的人脸识别基本原理 | 第22-33页 |
| 2.1.1 主成分分析基本原理及其人脸识别分析 | 第22-25页 |
| 2.1.2 二维主成分分析基本原理及其人脸识别分析 | 第25-29页 |
| 2.1.3 线性判别分析基本原理及其人脸识别分析 | 第29-33页 |
| 2.2 基于字典学习的人脸识别基本原理 | 第33-37页 |
| 2.2.1 稀疏表示 | 第33-34页 |
| 2.2.2 基于字典学习的稀疏表示及其稀疏系数的求解 | 第34-36页 |
| 2.2.3 字典学习算法在人脸识别上的实验及其分析 | 第36-37页 |
| 2.3 基于低秩表示的人脸识别基本原理 | 第37-41页 |
| 2.3.1 低秩表示问题 | 第37页 |
| 2.3.2 低秩矩阵恢复理论 | 第37-40页 |
| 2.3.3 鲁棒性低秩表示分类 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于Fisher判别的结构化低秩字典学习的算法研究 | 第42-58页 |
| 3.1 非限制性人脸图像干扰因素分析 | 第42-43页 |
| 3.2 基于Fisher判别的字典学习算法 | 第43-46页 |
| 3.2.1 算法简介 | 第43-44页 |
| 3.2.2 算法模型及其学习流程 | 第44-45页 |
| 3.2.3 算法的优势和不足 | 第45-46页 |
| 3.3 本文字典学习算法 | 第46-52页 |
| 3.3.1 问题阐述 | 第46-47页 |
| 3.3.2 算法模型及其优化过程 | 第47-51页 |
| 3.3.3 基于Fisher判别的结构化低秩字典的稀疏表示及分类 | 第51-52页 |
| 3.4 实验结果与分析 | 第52-57页 |
| 3.4.1 ORL人脸数据库的实验及其分析 | 第52-54页 |
| 3.4.2 AR人脸数据库的实验及其分析 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 基于镜像对称的奇异值重构虚拟样本方法研究 | 第58-74页 |
| 4.1 人脸识别中小样本问题阐述 | 第58-59页 |
| 4.2 虚拟样本相关基础研究 | 第59-60页 |
| 4.2.1 虚拟样本定义 | 第59-60页 |
| 4.2.2 虚拟样本评价标准 | 第60页 |
| 4.3 常用的虚拟样本构造方法 | 第60-64页 |
| 4.3.1 平移及旋转变换 | 第60-61页 |
| 4.3.2 积分投影 | 第61页 |
| 4.3.3 重采样法 | 第61-64页 |
| 4.4 本文虚拟样本构造方法 | 第64-69页 |
| 4.4.1 基本思想 | 第64页 |
| 4.4.2 基于镜像对称的奇异值重构虚拟样本方法 | 第64-69页 |
| 4.5 实验结果与分析 | 第69-73页 |
| 4.5.1 ORL人脸数据库实验及其分析 | 第70-71页 |
| 4.5.2 AR人脸数据库实验及其分析 | 第71-72页 |
| 4.5.3 Yale人脸数据库实验及其分析 | 第72-73页 |
| 4.6 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-77页 |
| 5.1 本文主要工作 | 第74-75页 |
| 5.2 本文主要创新点 | 第75-76页 |
| 5.3 进一步工作展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 在学期间的研究成果及发表的学术论文 | 第82页 |
