| 摘要 | 第5-7页 |
| ABSTRACT（英文摘要） | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景以及项目支持 | 第12页 |
| 1.2 人脸识别研究的重要性和意义 | 第12-13页 |
| 1.3 生物特征识别技术市场状况 | 第13页 |
| 1.4 人脸识别技术的优势和缺陷 | 第13-16页 |
| 1.5 人脸识别中比较成熟的技术 | 第16-17页 |
| 1.6 本文的主要研究内容和创新点 | 第17-18页 |
| 1.7 本文的结构 | 第18-20页 |
| 第二章 人脸识别研究的介绍与综述 | 第20-39页 |
| 2.1 SJTU-PAMI-FRS | 第20-28页 |
| 2.2 SJTU-PAMI-FRS的创新性 | 第28-29页 |
| 2.3 国内外主要从事人脸识别研究的机构 | 第29-31页 |
| 2.4 人脸识别研究中常用的人脸库 | 第31-33页 |
| 2.5 Face Recognition Technology (FERET) program | 第33-37页 |
| 2.6 国内外的人脸商业系统 | 第37-38页 |
| 2.7 本章小结 | 第38-39页 |
| 第三章 人脸特征点定位 | 第39-68页 |
| 3.1 特征点定位方法综述 | 第39-41页 |
| 3.2 Active Shape Model | 第41-47页 |
| 3.2.1 ASM训练 | 第41-45页 |
| 3.2.2 ASM搜索 | 第45-47页 |
| 3.3 对原始ASM的改进和实验比较 | 第47-52页 |
| 3.3.1 人脸库和实验环境的介绍 | 第47-48页 |
| 3.3.2 特征点定位精确性的评价标准 | 第48-49页 |
| 3.3.3 把局部特征从一维拓展到二维 | 第49-50页 |
| 3.3.4 根据特征点本身的特殊性用不同的度量函数寻找特征点新位置 | 第50-52页 |
| 3.4 基于SVM的ASM特征点定位方法(SVMBASM) | 第52-63页 |
| 3.5 Active Appearance Model | 第63-66页 |
| 3.6 本章小结 | 第66-68页 |
| 第四章 聚类方法在人脸识别中的研究 | 第68-93页 |
| 4.1 人脸识别方法的综述 | 第68-72页 |
| 4.2 子空间方法 | 第72-77页 |
| 4.2.1 Principal Component Analysis | 第73-74页 |
| 4.2.2 Linear Discriminant Analysis | 第74-75页 |
| 4.2.3 Independent Component Analysis | 第75-76页 |
| 4.2.4 Locality Preserving Projection | 第76-77页 |
| 4.2.5 子空间方法进行人脸识别的原理 | 第77页 |
| 4.3 聚类方法AP的介绍 | 第77-80页 |
| 4.3.1 AP方法的基本原理 | 第78-80页 |
| 4.4 AP和子空间方法相结合的理论基础 | 第80-83页 |
| 4.4.1 子空间方法的缺陷 | 第80页 |
| 4.4.2 AP的优势和缺陷 | 第80-81页 |
| 4.4.3 AP用于识别时必须满足的条件 | 第81页 |
| 4.4.4 AP方法结合降维方法进行模式分类的策略 | 第81-83页 |
| 4.5 AP在人脸识别中的应用 | 第83-92页 |
| 4.5.1 人脸识别实验中用到的数据库 | 第83页 |
| 4.5.2 第一种识别策略实验 | 第83-86页 |
| 4.5.3 第二种识别策略实验 | 第86-92页 |
| 4.5.3.1 APLDA | 第86-89页 |
| 4.5.3.2 APLPP | 第89-92页 |
| 4.6 本章小结 | 第92-93页 |
| 第五章 流形学习方法在人脸识别中的研究 | 第93-126页 |
| 5.1 流形学习介绍 | 第93-97页 |
| 5.1.1 流形学习的数学表达和定义 | 第95-96页 |
| 5.1.2 数据的低维表征 | 第96-97页 |
| 5.1.3 降维 | 第97页 |
| 5.2 流形学习方法的分类 | 第97-100页 |
| 5.2.1 主流形 | 第97-98页 |
| 5.2.2 谱分析 | 第98-100页 |
| 5.2.3 神经网络 | 第100页 |
| 5.3 流形学习中常用的图形 | 第100页 |
| 5.4 LLE流形学习方法的介绍 | 第100-106页 |
| 5.4.1 LLE相关细节分析 | 第104-105页 |
| 5.4.2 LLE如何处理新的数据 | 第105-106页 |
| 5.4.3 LLE的一些典型应用 | 第106页 |
| 5.5 RBMNN | 第106-124页 |
| 5.5.1 RBMNN的缺点 | 第113-114页 |
| 5.5.2 改进1：生成多样本 | 第114-117页 |
| 5.5.3 改进2：RBMNN和PCA子空间方法相结合 | 第117-121页 |
| 5.5.4 改进3：RBMNN和Gabor特征相结合进行人脸识别 | 第121-124页 |
| 5.5.4.1 Gabor 小波 | 第121-123页 |
| 5.5.4.2 实验 | 第123-124页 |
| 5.6 本章小结 | 第124-126页 |
| 第六章 结束语 | 第126-128页 |
| 6.1 本文的研究工作 | 第126-127页 |
| 6.2 后续工作 | 第127-128页 |
| 参考文献 | 第128-146页 |
| 致谢 | 第146-147页 |
| 在学期间的研究成果及发表的论文和专利 | 第147-150页 |
