摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第15-25页 |
1.1 课题研究背景及意义 | 第15-16页 |
1.2 人脸识别研究的重要性 | 第16-17页 |
1.3 人脸识别研究现状 | 第17-21页 |
1.3.1 基于非回归模型的人脸识别 | 第17-19页 |
1.3.2 基于回归模型的人脸识别 | 第19-21页 |
1.3.3 基于彩色人脸图像识别 | 第21页 |
1.4 本文涉及的数据库 | 第21-22页 |
1.5 本文研究工作概述 | 第22-23页 |
1.6 论文组织安排 | 第23-25页 |
2 基于稳健核范数的矩阵回归 | 第25-51页 |
2.1 引言 | 第25-27页 |
2.2 基于稳健的核范数矩阵回归 | 第27-31页 |
2.2.1 稳健的核范数刻画 | 第27-28页 |
2.2.2 稳健的核范数优化问题 | 第28-30页 |
2.2.3 稳健的矩阵回归模型 | 第30-31页 |
2.3 RMR模型算法 | 第31-35页 |
2.3.1 算法的复杂度分析 | 第35页 |
2.3.2 算法的收敛性 | 第35页 |
2.4 基于稳健核范数的分类方法 | 第35-37页 |
2.4.1 基于核范数的分类问题 | 第35-36页 |
2.4.2 RMR模型分类器设计 | 第36-37页 |
2.5 实验 | 第37-48页 |
2.5.1 Extended Yale B人脸数据库上的实验 | 第38-40页 |
2.5.2 AR人脸数据库上的实验 | 第40-43页 |
2.5.3 无约束数据库和大样本数据库上的实验 | 第43-44页 |
2.5.4 训练样本带遮挡、光照影响的实验 | 第44-45页 |
2.5.5 算法收敛性实验 | 第45-46页 |
2.5.6 参数和非凸函数的选择 | 第46-48页 |
2.6 本章小结 | 第48-51页 |
3 基于稀疏-加权核范数的稳健矩阵回归 | 第51-63页 |
3.1 引言 | 第51-52页 |
3.2 稀疏-加权核范数矩阵回归 | 第52-53页 |
3.3 S-RMR算法 | 第53-55页 |
3.3.1 复杂度分析 | 第55页 |
3.4 分类器设计 | 第55-57页 |
3.5 实验 | 第57-60页 |
3.5.1 Extended Yale B人脸数据库上的实验 | 第57页 |
3.5.2 AR人脸数据库上的实验 | 第57-58页 |
3.5.3 训练样本带有混合噪声的实验 | 第58-60页 |
3.5.4 参数和权重选择 | 第60页 |
3.6 本章小结 | 第60-63页 |
4 基于双侧加权的低秩逼近稳健矩阵回归 | 第63-79页 |
4.1 引言 | 第63-64页 |
4.2 双侧加权的矩阵回归 | 第64-66页 |
4.3 BWMR算法 | 第66-69页 |
4.3.1 复杂度分析 | 第69页 |
4.3.2 收敛性分析 | 第69页 |
4.4 分类器设计 | 第69-70页 |
4.5 实验 | 第70-76页 |
4.5.1 真实遮挡的人脸识别实验 | 第70-71页 |
4.5.2 光照影响下的人脸识别实验 | 第71页 |
4.5.3 带遮挡的人脸识别实验 | 第71-72页 |
4.5.4 干净人脸数据库上的实验 | 第72-73页 |
4.5.5 非凸函数的选择 | 第73页 |
4.5.6 参数选择和收敛性实验 | 第73-76页 |
4.6 本章小结 | 第76-79页 |
5 基于张量回归的人脸识别 | 第79-97页 |
5.1 引言 | 第79页 |
5.2 张量的相关概念 | 第79-85页 |
5.3 矩阵体积与张量体积 | 第85-88页 |
5.3.1 矩阵体积 | 第85-87页 |
5.3.2 张量体积 | 第87-88页 |
5.4 基于张量体积约束的张量主成分分析 | 第88-89页 |
5.5 基于张量体积约束的张量回归 | 第89-91页 |
5.6 分类器设计 | 第91-92页 |
5.7 实验 | 第92-96页 |
5.7.1 张量稳健主成分分析的实验 | 第92-94页 |
5.7.2 彩色人脸图像识别 | 第94-96页 |
5.8 本章小结 | 第96-97页 |
6 总结与展望 | 第97-99页 |
6.1 本文工作总结 | 第97-98页 |
6.2 未来工作展望 | 第98-99页 |
7 附录1(相关收敛性的证明) | 第99-105页 |
致谢 | 第105-107页 |
参考文献 | 第107-121页 |
附录2 | 第121-122页 |