基于奇异值分解与稀疏表示的人脸识别方法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 人脸识别研究的难点 | 第11页 |
| 1.4 本人的研究内容及结构 | 第11-12页 |
| 第二章 信号的稀疏表示理论 | 第12-21页 |
| 2.1 引言 | 第12-13页 |
| 2.2 稀疏表示理论 | 第13-15页 |
| 2.2.1 稀疏表示的基本理论 | 第13页 |
| 2.2.2 稀疏表示的概念 | 第13-15页 |
| 2.3 信号的稀疏表示的求解方法 | 第15-20页 |
| 2.3.1 全局优化算法 | 第15-16页 |
| 2.3.2 贪婪算法 | 第16-19页 |
| 2.3.3 其他算法 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于稀疏表示的人脸识别图像方法 | 第21-32页 |
| 3.1 字典的构造 | 第22-28页 |
| 3.1.1 字典的概念 | 第22-24页 |
| 3.1.2 字典的构造 | 第24页 |
| 3.1.3 测试样本的表示 | 第24-26页 |
| 3.1.4 稀疏求解分类 | 第26-28页 |
| 3.2 人脸识别的稀疏表示的算法 | 第28-31页 |
| 3.2.1 实验结果与分析 | 第29-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于特征提取的人脸识别 | 第32-48页 |
| 4.1 特征提取简介 | 第32-33页 |
| 4.2 结合特征提取方法 | 第33-42页 |
| 4.2.1 下采样方法 | 第35-36页 |
| 4.2.2 几何特征的提取 | 第36页 |
| 4.2.3 主成分分析 | 第36-37页 |
| 4.2.4 Eigenfaces 特征脸 | 第37-38页 |
| 4.2.5 拉普拉斯特征脸 | 第38-40页 |
| 4.2.6 Fisher 特征脸 | 第40-41页 |
| 4.2.7 随机特征脸 | 第41-42页 |
| 4.3 奇异值分解法 | 第42-47页 |
| 4.3.1 奇异值与特征向量所包含的的信息 | 第44-45页 |
| 4.3.2 奇异值与特征向量的单纯重构 | 第45-46页 |
| 4.3.3 奇异值交叉重构 | 第46页 |
| 4.3.4 奇异值与特征向量的混合重构 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 稀疏表示与奇异值分解结合的鲁棒性改进 | 第48-58页 |
| 5.1 有效性判别 | 第48-49页 |
| 5.2 图像分块 | 第49-50页 |
| 5.3 基于奇异值与稀疏表示的人脸识别 | 第50-52页 |
| 5.3.1 识别总的过程 | 第51-52页 |
| 5.4 实验结果与分析 | 第52-57页 |
| 5.4.1 K 值的选择 | 第52-54页 |
| 5.4.2 实验结果 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |
