| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| §1.1 课题研究的目的和意义 | 第7-8页 |
| §1.2 人脸识别算法研究的发展与现状 | 第8-11页 |
| §1.2.1 国外研究现状 | 第8-10页 |
| §1.2.2 国内研究现状 | 第10-11页 |
| §1.3 人脸识别研究面临的问题 | 第11页 |
| §1.4 研究内容及论文结构 | 第11-13页 |
| 第二章 基本理论与基本概念 | 第13-21页 |
| §2.1 PPCA算法的基本概念 | 第13-14页 |
| §2.2 因子分析原理 | 第14页 |
| §2.3 ICA算法的基本概念 | 第14-15页 |
| §2.4 ICA的数学模型 | 第15-16页 |
| §2.5 ICA,PCA和FA之间的关系 | 第16-17页 |
| §2.6 ICA中的主要参数 | 第17-21页 |
| §2.6.1 高阶矩和源信号的pdf描述 | 第17-18页 |
| §2.6.2 Kullback-Leibler发散度 | 第18-19页 |
| §2.6.3 随机向量各分量统计独立性的衡量 | 第19页 |
| §2.6.4 线性变换下两个pdf之间的关系 | 第19-20页 |
| §2.6.5 非线性变换下两个pdf之间的关系 | 第20-21页 |
| 第三章 基于PPCA的人脸识别算法 | 第21-38页 |
| §3.1 概率PCA算法原理 | 第21-30页 |
| §3.1.1 隐含变量模型 | 第21-22页 |
| §3.1.2 概率PCA的提出 | 第22-23页 |
| §3.1.3 概率PCA的数学模型 | 第23-24页 |
| §3.1.4 概率PCA模型参数的估计 | 第24-30页 |
| §3.2 PPCA算法的降维和重建 | 第30-31页 |
| §3.3 因子分析与概率PCA | 第31-33页 |
| §3.4 基于PPCA的人脸识别 | 第33-38页 |
| §3.4.1 概率PCA的特征子空间计算 | 第34-37页 |
| §3.4.2 利用特征值进行人脸识别 | 第37-38页 |
| 第四章 基于ICA的人脸识别算法 | 第38-62页 |
| §4.1 无噪声ICA模型参数的求解 | 第38-44页 |
| §4.1.1 最大似然目标函数(ML) | 第39-41页 |
| §4.1.2 统计独立性目标函数 | 第41-42页 |
| §4.1.3 信息最大化(最大熵)目标函数 | 第42-44页 |
| §4.2 有噪声ICA模型的提出 | 第44-45页 |
| §4.3 有噪声ICA模型参数的求解 | 第45-58页 |
| §4.3.1 平均场近似 | 第46-49页 |
| §4.3.2 MFA-ICA算法 | 第49-58页 |
| §4.4 基于ICA的人脸识别 | 第58-62页 |
| §4.4.1 二阶相关性和高阶相关性 | 第58-59页 |
| §4.4.2 相关性的去除 | 第59-60页 |
| §4.4.3 人脸识别过程 | 第60-62页 |
| 第五章 结论与展望 | 第62-70页 |
| §5.1 PPCA算法实验结果分析 | 第62-65页 |
| §5.2 ICA算法实验结果分析 | 第65-68页 |
| §5.3 进一步的工作和展望 | 第68-70页 |
| 参考文献 | 第70-72页 |
| 长春理工大学硕士学位论文原创性声明 | 第72页 |
| 长春理工大学学位论文版权使用授权书 | 第72页 |