基于非线性特征抽取法和人工神经网络的人脸识别方法的研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·人脸识别研究背景、意义及发展 | 第8-9页 |
| ·人脸识别方法的研究现状 | 第9-14页 |
| ·人脸检测 | 第9-11页 |
| ·特征提取 | 第11-12页 |
| ·识别方法 | 第12-14页 |
| ·本文研究工作概述 | 第14-16页 |
| 2 人脸图像主分量分析法的非线性推广 | 第16-31页 |
| ·引言 | 第16页 |
| ·人脸识别中的主分量分析法 | 第16-23页 |
| ·K-L 变换 | 第16-18页 |
| ·人脸图像的主分量分析(PCA) | 第18-23页 |
| ·基于核的主分量分析法 | 第23-28页 |
| ·核方法产生的理论背景 | 第23-26页 |
| ·常用的几类核函数 | 第26页 |
| ·主分量分析法的核推广(KPCA) | 第26-28页 |
| ·实验与分析 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 3 两阶段核特征抽取法 | 第31-41页 |
| ·引言 | 第31-32页 |
| ·人脸图像的预处理 | 第32-34页 |
| ·ORL 人脸图像库 | 第32页 |
| ·灰度分布正规化 | 第32-34页 |
| ·基于图像矩阵的主分量分析 | 第34-37页 |
| ·经典的主分量分析(C-PCA) | 第35页 |
| ·基于图像矩阵的主分量分析(I-PCA) | 第35-37页 |
| ·核主分量分析(KPCA) | 第37-38页 |
| ·算法实现 | 第38页 |
| ·实验与分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于神经网络的人脸识别框架 | 第41-49页 |
| ·引言 | 第41-42页 |
| ·BP 网络 | 第42-44页 |
| ·用BP 网络对人脸特征进行分类 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 5 实验结果及讨论 | 第49-52页 |
| 6 结论 | 第52-54页 |
| ·基于核的主分量分析法的研究 | 第52页 |
| ·两阶段非线性的特征提取法 | 第52-53页 |
| ·构建基于人工神经网络的人脸识别框架 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 附录1:ORL 人脸图像库部分人脸图像 | 第61-62页 |
| 附录2: 攻读硕士学位期间发表(录用)的论文 | 第62-63页 |
| 独创性声明 | 第63页 |
| 学位论文版权使用授权书 | 第63页 |
