| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 人脸识别技术的研究背景及意义 | 第8-9页 |
| 1.2 国内外人脸识别研究历史与现状 | 第9-12页 |
| 1.2.1 人脸识别研究历史 | 第9-10页 |
| 1.2.2 人脸识别研究现状 | 第10-12页 |
| 1.3 本文研究的主要内容 | 第12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 人脸图像预处理与人脸检测 | 第14-20页 |
| 2.1 引言 | 第14页 |
| 2.2 人脸图像预处理算法 | 第14-17页 |
| 2.2.1 人脸图像灰度化处理 | 第14-15页 |
| 2.2.2 人脸图像的归一化处理 | 第15-17页 |
| 2.2.3 人脸图像的去噪处理 | 第17页 |
| 2.3 人脸检测算法 | 第17-19页 |
| 2.3.1 基于Adaboost的人脸检测算法原理 | 第17-18页 |
| 2.3.2 基于Adaboost的人脸检测实验分析 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 人脸特征提取算法 | 第20-28页 |
| 3.1 引言 | 第20页 |
| 3.2 人脸图像的小波分解 | 第20-21页 |
| 3.3 K-L变换 | 第21-23页 |
| 3.3.1 K-L变换的基本原理 | 第21-23页 |
| 3.4 基于主成分分析算法(PCA)人脸特征提取算法 | 第23-25页 |
| 3.4.1 主成分分析算法原理 | 第23-24页 |
| 3.4.2 基于PCA算法的人脸识别 | 第24-25页 |
| 3.4.3 基于PCA算法的人脸识别的缺点 | 第25页 |
| 3.5 基于改进的PCA人脸特征提取方法 | 第25-26页 |
| 3.6 基于小波变换和改进PCA的人脸特征提取 | 第26-27页 |
| 3.7 本章小结 | 第27-28页 |
| 第四章 基于支持向量机的人脸特征分类 | 第28-50页 |
| 4.1 引言 | 第28页 |
| 4.2 几种主要特征分类器综述 | 第28-31页 |
| 4.2.1 最近邻分类器 | 第28-29页 |
| 4.2.2 贝叶斯分类器 | 第29-30页 |
| 4.2.3 神经网络分类器 | 第30-31页 |
| 4.2.4 支持向量机分类器 | 第31页 |
| 4.3 支持向量机的分类识别方法 | 第31-40页 |
| 4.3.1 支持向量机的原理简介 | 第31-40页 |
| 4.4 基于支持向量机的人脸特征分类 | 第40-48页 |
| 4.4.1 支持向量机的人脸特征分类步骤 | 第40-41页 |
| 4.4.2 人脸识别算法实验分析 | 第41-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 人脸识别系统原型设计 | 第50-56页 |
| 5.1 引言 | 第50页 |
| 5.2 系统流程图 | 第50-51页 |
| 5.3 系统原型 | 第51-54页 |
| 5.3.1 模块划分 | 第51-52页 |
| 5.3.2 人脸识别系统的原型界面 | 第52-53页 |
| 5.3.3 原型系统中存在的问题 | 第53-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 进一步工作 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录A (攻读学位期间发表论文目录) | 第64页 |
