| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 人脸识别研究现状 | 第13-16页 |
| 1.2.1 人脸识别发展的三个阶段 | 第13-14页 |
| 1.2.2 人脸识别的基本流程 | 第14页 |
| 1.2.3 人脸识别的分类 | 第14-16页 |
| 1.3 本文的研究工作 | 第16-17页 |
| 1.4 本文的内容安排 | 第17-18页 |
| 第2章 SIFT 特征提取的实现原理 | 第18-30页 |
| 2.1 SIFT 特征提取的基本理论 | 第18-19页 |
| 2.2 尺度空间的生成 | 第19-23页 |
| 2.2.1 高斯尺度空间的建立 | 第19-21页 |
| 2.2.2 DOG 尺度空间的建立 | 第21-23页 |
| 2.3 检测尺度空间极值点 | 第23-24页 |
| 2.4 精确定位极值点 | 第24-26页 |
| 2.5 关键点方向参数的指定 | 第26-27页 |
| 2.6 关键点描述子的生成 | 第27-29页 |
| 2.7 特征点匹配 | 第29页 |
| 2.8 本章小结 | 第29-30页 |
| 第3章 基于局部梯度显著性的 SIFT 特征提取的人脸识别 | 第30-40页 |
| 3.1 视觉感知特征的梯度域图像增强 SIFT 特征提取算法 | 第30页 |
| 3.2 人脸图像局部梯度显著性 | 第30-31页 |
| 3.2.1 人脸局部梯度显著性的检测方法 | 第31页 |
| 3.3 人脸梯度域图像增强的显著性锐化滤波器 | 第31-34页 |
| 3.3.1 人脸图像处理的优化公式 | 第31-32页 |
| 3.3.2 人脸图像处理优化公式的鲁棒性权重方案 | 第32-33页 |
| 3.3.3 人脸图像显著性锐化滤波器 | 第33-34页 |
| 3.4 基于人脸图像局部梯度显著性的 SIFT | 第34-37页 |
| 3.5 实验与分析 | 第37-39页 |
| 3.5.1 在 AR 人脸库上的实验结果 | 第37-38页 |
| 3.5.2 改进算法的鲁棒性 | 第38-39页 |
| 3.6 本章小节 | 第39-40页 |
| 第4章 基于快速 EMD 距离的 SIFT 特征提取的人脸识别 | 第40-47页 |
| 4.1 基于快速 EMD 距离的 SIFT 关键点匹配策略 | 第40-41页 |
| 4.2 EMD 距离 | 第41-42页 |
| 4.3 快速 EMD 距离 | 第42-43页 |
| 4.4 使用快速 EMD 距离的 SIFT 关键点匹配策略 | 第43-44页 |
| 4.5 实验与分析 | 第44-46页 |
| 4.5.1 在 AR 人脸库上的实验结果 | 第44-45页 |
| 4.5.2 改进算法的鲁棒性 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 总结和展望 | 第47-49页 |
| 5.1 本文总结 | 第47页 |
| 5.2 本文展望 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 作者简介及在学期间所取得的科研成果 | 第51-52页 |
| 致谢 | 第52页 |
