| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 前言 | 第9-19页 |
| 1.1 本文的研究背景及意义 | 第9-11页 |
| 1.2 人脸识别方法的国内外发展及研究现状 | 第11-13页 |
| 1.3 人脸识别方法简介 | 第13-14页 |
| 1.3.1 基于人脸全局特征的人脸识别 | 第13页 |
| 1.3.2 基于人脸局部特征的人脸识别 | 第13-14页 |
| 1.3.3 基于压缩感知理论的人脸识别 | 第14页 |
| 1.3.4 基于深度学习理论的人脸识别 | 第14页 |
| 1.4 现今人脸识别存在的问题 | 第14-15页 |
| 1.5 本论文使用的人脸图像库简介 | 第15-17页 |
| 1.5.1 AR人脸数据库 | 第15-16页 |
| 1.5.2 FERET人脸数据库 | 第16-17页 |
| 1.6 本文主要研究内容及各章节安排 | 第17-19页 |
| 1.6.1 本文主要研究内容 | 第17页 |
| 1.6.2 本文各章节结构 | 第17-19页 |
| 第二章 基于模糊K近邻的线性判别算法 | 第19-33页 |
| 2.1 基于PCA方法的人脸特征提取 | 第19-23页 |
| 2.1.1 K-L变换 | 第19-21页 |
| 2.1.2 用主成分分析(PCA)特征提取方法的人脸识别 | 第21-23页 |
| 2.2 基于LDA方法的人脸特征提取 | 第23-27页 |
| 2.2.1 Fisher线性判别准则 | 第23-26页 |
| 2.2.2 经典的Fisher线性判别法及在人脸识别的应用 | 第26-27页 |
| 2.3 模糊K近邻算法(F-KNN) | 第27-30页 |
| 2.3.1 模糊隶属度 | 第27-28页 |
| 2.3.2 K近邻算法(KNN,k nearest neighbor) | 第28-29页 |
| 2.3.3 模糊K近邻算法 | 第29-30页 |
| 2.4 模糊LDA方法的人脸特征提取(F-LDA) | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 改进的模糊线性判别算法探究 | 第33-41页 |
| 3.1 改进的F-LDA | 第33-35页 |
| 3.1.1 改进的模糊线性判别法 | 第33-35页 |
| 3.1.2 利用改进的模糊线性判别法进行人脸特征提取步骤 | 第35页 |
| 3.2 交差验证方法 | 第35-37页 |
| 3.3 基于交差验证法的RF-LDA | 第37-39页 |
| 3.4 常规样本和离群样本判别方法探究 | 第39-40页 |
| 3.4.1 常规的判别方法 | 第39页 |
| 3.4.2 基于密度估计的判别方法 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于C均值聚类的离群样本处理 | 第41-49页 |
| 4.1 模糊C均值聚类算法(Fuzzy C-Means) | 第41-44页 |
| 4.1.1 C均值聚类算法 | 第41-42页 |
| 4.1.2 Fuz-C均值聚类算法 | 第42-44页 |
| 4.2 基于FCM的离群样本处理 | 第44页 |
| 4.3 实验结果及分析 | 第44-48页 |
| 4.3.1 AR人脸数据库测试 | 第44-46页 |
| 4.3.2 FERET人脸数据库测试 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 后记或致谢 | 第55页 |
