改进的核函数算法及其在人脸识别中的应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 前言 | 第7-17页 |
| ·独立分量分析 | 第7-8页 |
| ·支持向量机 | 第8-11页 |
| ·人脸识别技术概述 | 第11-15页 |
| ·本文的主要工作 | 第15-17页 |
| 第二章 人脸特征提取与 VC理论 | 第17-32页 |
| ·PCA概述 | 第17-20页 |
| ·PCA简介 | 第17页 |
| ·基于 PCA的降维方法 | 第17-19页 |
| ·PCA优缺点分析 | 第19-20页 |
| ·独立分量分析方法(ICA) | 第20-28页 |
| ·ICA分析模型 | 第20-21页 |
| ·ICA的限制条件和可解性分析 | 第21-23页 |
| ·白化 | 第23-24页 |
| ·KCCA算法概述 | 第24-28页 |
| ·统计学习与 VC理论 | 第28-32页 |
| ·VC维理论 | 第28-29页 |
| ·推广能力的界 | 第29页 |
| ·结构风险最小化 | 第29-32页 |
| 第三章 基于 SVM的改进核函数算法 | 第32-48页 |
| ·SVM算法 | 第32-41页 |
| ·线性支持向量机 | 第33-36页 |
| ·非线性支持向量机 | 第36-38页 |
| ·SVM中核函数类型 | 第38页 |
| ·具有不同核函数的 SVM比较 | 第38-40页 |
| ·支持向量机和传统方法的比较 | 第40-41页 |
| ·改进的核函数算法 | 第41-45页 |
| ·性能分析 | 第45-48页 |
| ·算法精度分析 | 第45-46页 |
| ·窗口长度的比较 | 第46-47页 |
| ·分类仿真 | 第47-48页 |
| 第四章 本文方法在人脸识别中的应用 | 第48-65页 |
| ·应用原理 | 第48-50页 |
| ·数据准备 | 第50-56页 |
| ·人脸样本采集 | 第50-51页 |
| ·图像预处理 | 第51-52页 |
| ·图像特征提取 | 第52-56页 |
| ·基于 SVM分类器的人脸检测 | 第56-59页 |
| ·算法概述 | 第56页 |
| ·SVM分类器的构造 | 第56-59页 |
| ·基于 SVM分类器的人脸识别 | 第59-65页 |
| ·识别方法 | 第59-63页 |
| ·人脸识别结果 | 第63-65页 |
| 第五章 结论与建议 | 第65-66页 |
| 硕士期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
