| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第21-31页 |
| 1.1 研究背景与意义 | 第21-22页 |
| 1.1.1 研究背景 | 第21-22页 |
| 1.1.2 研究意义 | 第22页 |
| 1.2 国内外研究现状 | 第22-28页 |
| 1.2.1 人脸识别的国内外研究现状 | 第22-26页 |
| 1.2.2 集成学习的国内外研究现状 | 第26-27页 |
| 1.2.3 基于集成学习的人脸识别研究现状 | 第27-28页 |
| 1.3 课题来源及主要研究内容 | 第28-31页 |
| 1.3.1 课题来源 | 第28页 |
| 1.3.2 论文主要研究内容 | 第28-29页 |
| 1.3.3 论文结构和章节安排 | 第29-31页 |
| 第二章 人脸识别和集成学习的相关基础理论概述 | 第31-53页 |
| 2.1 人脸识别的相关基础理论 | 第31-40页 |
| 2.1.1 人脸识别框架 | 第31-32页 |
| 2.1.2 人脸识别技术发展过程 | 第32-33页 |
| 2.1.3 传统的人脸识别方法 | 第33-36页 |
| 2.1.4 基于深度学习的人脸识别方法 | 第36-37页 |
| 2.1.5 常用人脸库介绍 | 第37-40页 |
| 2.2 集成学习的相关基础理论 | 第40-51页 |
| 2.2.1 集成学习简介 | 第40-41页 |
| 2.2.2 集成学习的理论分析 | 第41-42页 |
| 2.2.3 集成学习的作用 | 第42-43页 |
| 2.2.4 集成学习的整体框架 | 第43-44页 |
| 2.2.5 不同信息层次上的多分类器集成方法 | 第44-49页 |
| 2.2.6 集成学习分类系统的结构 | 第49-51页 |
| 2.3 本章小结 | 第51-53页 |
| 第三章 基于局部均值模式和等级分数融合决策的人脸识别 | 第53-73页 |
| 3.1 引言 | 第53-54页 |
| 3.2 局部二值模式及其改进 | 第54-58页 |
| 3.3 局部均值模式 | 第58-62页 |
| 3.3.1 基本的LMP | 第58-60页 |
| 3.3.2 旋转不变LMP | 第60-61页 |
| 3.3.3 统一LMP | 第61-62页 |
| 3.3.4 LMP算子在人脸识别中的应用 | 第62页 |
| 3.4 对称局部图结构描述子 | 第62-64页 |
| 3.5 基于BP神经网络的分类器构造 | 第64-65页 |
| 3.6 基于等级分数融合决策的人脸识别 | 第65-67页 |
| 3.7 实验结果及分析 | 第67-72页 |
| 3.8 本章小结 | 第72-73页 |
| 第四章 基于整体-局部双加权集成的人脸识别 | 第73-83页 |
| 4.1 引言 | 第73页 |
| 4.2 子图像集的构造 | 第73-74页 |
| 4.3 云模型概述 | 第74-76页 |
| 4.3.1 云的基本概念 | 第74-75页 |
| 4.3.2 云的数字特征 | 第75页 |
| 4.3.3 云发生器 | 第75-76页 |
| 4.4 基于云模型的权值求取 | 第76-78页 |
| 4.5 基于整体-局部双加权集成的人脸识别 | 第78-79页 |
| 4.6 实验结果及分析 | 第79-82页 |
| 4.7 本章小结 | 第82-83页 |
| 第五章 基于可靠度和可分度动态加权集成的人脸识别 | 第83-99页 |
| 5.1 引言 | 第83页 |
| 5.2 分类器的可靠度 | 第83-86页 |
| 5.3 分类器的可分度 | 第86-88页 |
| 5.3.1 离散度的计算 | 第86页 |
| 5.3.2 可分度的计算 | 第86-88页 |
| 5.4 基于可靠度和可分度的动态加权集成 | 第88-90页 |
| 5.5 实验结果与分析 | 第90-97页 |
| 5.6 本章小结 | 第97-99页 |
| 第六章 基于深度协同训练与集成决策的人脸识别 | 第99-125页 |
| 6.1 引言 | 第99-100页 |
| 6.2 卷积神经网络 | 第100-105页 |
| 6.2.1 卷积神经网络的一般结构 | 第100-103页 |
| 6.2.2 卷积神经网络的结构特点 | 第103-105页 |
| 6.2.3 卷积神经网络模型的训练 | 第105页 |
| 6.3 半监督学习及协同训练策略 | 第105-114页 |
| 6.3.1 半监督学习 | 第105-106页 |
| 6.3.2 半监督学习的主要方法 | 第106-112页 |
| 6.3.3 协同训练策略Tri-training | 第112-114页 |
| 6.4 基于深度协同训练和集成决策的人脸识别算法 | 第114-118页 |
| 6.4.1 Tri-training协同训练的优化更新 | 第114-115页 |
| 6.4.2 协同训练分类器的集成 | 第115-117页 |
| 6.4.3 算法描述 | 第117-118页 |
| 6.5 实验结果及分析 | 第118-123页 |
| 6.5.1 实验设置 | 第118-120页 |
| 6.5.2 实验结果与分析 | 第120-123页 |
| 6.6 本章小结 | 第123-125页 |
| 第七章 总结及展望 | 第125-127页 |
| 7.1 主要工作总结 | 第125-126页 |
| 7.2 研究展望 | 第126-127页 |
| 参考文献 | 第127-137页 |
| 攻读博士学位期间的学术活动及成果情况 | 第137-139页 |