| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题背景和研究意义 | 第9页 |
| 1.2 国内外研究现状及问题 | 第9-13页 |
| 1.2.1 人脸识别存在的主要问题 | 第9-10页 |
| 1.2.2 国内外研究现状 | 第10-13页 |
| 1.2.3 本文主要解决的问题 | 第13页 |
| 1.3 人脸识别系统 | 第13-14页 |
| 1.4 本文的主要研究内容和组织结构 | 第14-16页 |
| 1.4.1 本文主要研究内容 | 第14-15页 |
| 1.4.2 本文的组织结构 | 第15-16页 |
| 2 传统线性子空间学习方法 | 第16-30页 |
| 2.1 线性子空间学习的一般形式 | 第16页 |
| 2.2 无监督子空间学习 | 第16-24页 |
| 2.2.1 主成分分析及其存在的问题 | 第16-18页 |
| 2.2.2 局部保持投影 | 第18-19页 |
| 2.2.3 近邻保持投影 | 第19-21页 |
| 2.2.4 稀疏保持投影 | 第21-24页 |
| 2.3 监督子空间学习 | 第24-29页 |
| 2.3.1 线性判别式分析 | 第24-26页 |
| 2.3.2 最大间距准则 | 第26-28页 |
| 2.3.3 监督学习存在的问题 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 稀疏近邻保持投影算法设计与验证 | 第30-47页 |
| 3.1 稀疏表示存在的问题及解决办法 | 第30-33页 |
| 3.2 稀疏近邻保持投影算法设计 | 第33-34页 |
| 3.3 SNPP算法设计步骤总结 | 第34页 |
| 3.4 三种典型的分类算法 | 第34-41页 |
| 3.4.1 K近邻分类 | 第34-36页 |
| 3.4.2 稀疏分类 | 第36-38页 |
| 3.4.3 支持向量机 | 第38-41页 |
| 3.5 SNPP算法对比试验 | 第41-47页 |
| 3.5.1 实验数据集及参数设置 | 第41-42页 |
| 3.5.2 在Extended Yale B人脸库上的实验结果 | 第42-44页 |
| 3.5.3 在ORL人脸库上的实验结果 | 第44-45页 |
| 3.5.4 在AR人脸库上的实验结果 | 第45-47页 |
| 4 半监督稀疏近邻保持投影 | 第47-59页 |
| 4.1 半监督邻接图的构造 | 第47-49页 |
| 4.1.1 确定近邻样本 | 第47-48页 |
| 4.1.2 设定近邻样本的权值 | 第48-49页 |
| 4.2 半监督稀疏近邻保持投影算法设计 | 第49-50页 |
| 4.3 SSNPP算法设计步骤总结 | 第50页 |
| 4.4 稀疏表示系数的求解 | 第50-54页 |
| 4.4.1 匹配追踪 | 第51-52页 |
| 4.4.2 正交匹配追踪OMP | 第52-54页 |
| 4.5 SSNPP算法对比试验 | 第54-59页 |
| 4.5.1 在Extended Yale B人脸库上的实验结果 | 第54-55页 |
| 4.5.2 在ORL人脸库上的实验结果 | 第55-56页 |
| 4.5.3 在AR人脸库上的实验结果 | 第56-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59页 |
| 5.2 未来展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65页 |