| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-24页 |
| ·课题研究的背景、目的和意义 | 第11-14页 |
| ·单样本人脸识别问题的提出 | 第11-12页 |
| ·研究单样本人脸识别技术的意义 | 第12-14页 |
| ·单样本人脸识别研究动态 | 第14-19页 |
| ·基于几何特征的方法 | 第14页 |
| ·样本扩张法 | 第14-16页 |
| ·特征子空间扩展法 | 第16页 |
| ·通用学习框架法 | 第16-17页 |
| ·图像增强法 | 第17-18页 |
| ·神经网络法 | 第18页 |
| ·其他方法 | 第18-19页 |
| ·单样本人脸识别面临的挑战 | 第19-20页 |
| ·单样本人脸识别的发展趋势 | 第20-21页 |
| ·本文单样本人脸识别系统的总体框架结构 | 第21-22页 |
| ·本文的主要工作和内容安排 | 第22-24页 |
| 第2章 基于经典主分量分析的单样本人脸识别 | 第24-42页 |
| ·图像的奇异值分解 | 第24-27页 |
| ·主分量分析法(PCA) | 第27-33页 |
| ·离散K-L变换 | 第28-31页 |
| ·K-L变换用于人脸识别 | 第31-33页 |
| ·核主分量分析法(KPCA) | 第33-37页 |
| ·KPCA算法原理 | 第33-36页 |
| ·特征空间的内积计算 | 第36页 |
| ·KPCA算法实现步骤 | 第36-37页 |
| ·结合投影的主分量分析法((PC)~2A) | 第37-38页 |
| ·奇异值扰动的主分量分析法(SPCA) | 第38-41页 |
| ·SPCA算法 | 第38-40页 |
| ·SPCA算法的实现步骤 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 基于二维主分量分析的单样本人脸识别 | 第42-57页 |
| ·二维主分量分析(2DPCA) | 第42-46页 |
| ·算法原理 | 第43-45页 |
| ·特征提取 | 第45页 |
| ·分类方法 | 第45页 |
| ·图像重建 | 第45-46页 |
| ·二维主分量分析的优缺点 | 第46页 |
| ·两个方向上的二维主分量分析((2D)~2PCA) | 第46-49页 |
| ·行方向上的二维主分量分析 | 第46-47页 |
| ·列方向上的二维主分量分析 | 第47-48页 |
| ·行列二维主分量分析 | 第48-49页 |
| ·加权的两个方向上的二维主分量分析(W(2D)~2PCA) | 第49-50页 |
| ·基于MW(2D)~2PCA的局部特征提取和融合 | 第50-55页 |
| ·图像分块概述 | 第50-51页 |
| ·本文图像分块和局部特征提取策略 | 第51-53页 |
| ·本文局部特征融合策略 | 第53-55页 |
| ·MW(2D)~2PCA算法实现步骤 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第4章 单样本人脸识别方法实验结果及分析 | 第57-72页 |
| ·PCA的实验结果 | 第58-59页 |
| ·KPCA的实验结果 | 第59页 |
| ·SPCA的实验结果及分析 | 第59-62页 |
| ·本文方法的实验结果及分析 | 第62-65页 |
| ·权值对识别结果的影响 | 第62-64页 |
| ·分块方式对识别结果的影响 | 第64-65页 |
| ·ORL人脸库上各种方法的识别率对比 | 第65-66页 |
| ·CAS-PEAL人脸库上各种方法的实验结果 | 第66-68页 |
| ·人脸识别演示 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-83页 |
| 致谢 | 第83页 |