| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文研究内容及创新点 | 第13-14页 |
| ·本文组织结构 | 第14-16页 |
| 第2章 稀疏表示图像识别的基本理论方法 | 第16-22页 |
| ·稀疏表示图像识别的理论基础 | 第16-17页 |
| ·稀疏表示的图像识别 | 第17-20页 |
| ·稀疏表示模型的建立 | 第17页 |
| ·稀疏表示模型的求解 | 第17-19页 |
| ·稀疏表示的分类 | 第19-20页 |
| ·稀疏表示图像识别方法的鲁棒性 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于全局和分离部件融合的双 L1稀疏表示人脸图像识别算法 | 第22-32页 |
| ·引言 | 第22-23页 |
| ·全局-部件融合的双 L1稀疏表示人脸图像识别算法 | 第23-27页 |
| ·系统组成 | 第23页 |
| ·基于全局数据的稀疏表示分类 | 第23-24页 |
| ·基于分离部件的稀疏表示分类模型 | 第24-27页 |
| ·全局-部件融合双 L1稀疏表示 | 第27页 |
| ·实验仿真研究 | 第27-30页 |
| ·基于分离部件稀疏表示的识别结果 | 第28-29页 |
| ·全局-部件融合的双 L1稀疏表示识别结果 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第4章 基于类别相关近邻子空间的最大似然稀疏表示鲁棒图像识别算法 | 第32-45页 |
| ·引言 | 第32-33页 |
| ·最大似然鲁棒稀疏表示识别模型 | 第33-35页 |
| ·构建最大似然估计识别模型 | 第33-34页 |
| ·加权优化求解稀疏表示 | 第34-35页 |
| ·基于类别相关近邻子空间的快速鲁棒稀疏表示识别算法 | 第35-39页 |
| ·自适应近邻选择 | 第35-36页 |
| ·基于类别相关的自适应近邻选择 | 第36-39页 |
| ·实验仿真研究 | 第39-43页 |
| ·AR 人脸库上的实验结果 | 第39-40页 |
| ·Extended Yale B 人脸库上的实验结果 | 第40-41页 |
| ·AR 经过伪装的人脸库上的实验结果 | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 第5章 改进的结构稀疏表示图像识别算法 | 第45-56页 |
| ·引言 | 第45-46页 |
| ·结构稀疏表示分类思想 | 第46-47页 |
| ·结构稀疏表示与原子稀疏表示结合的识别算法 | 第47-50页 |
| ·基于 MLP 的结构稀疏表示识别算法 | 第50-51页 |
| ·实验仿真研究 | 第51-54页 |
| ·Extended Yale B 人脸库上的实验结果 | 第51-53页 |
| ·USPS 手写数字库上的实验结果 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |
