基于二维主成分分析的人脸识别算法的研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·人脸识别的背景和研究意义 | 第8-9页 |
| ·人脸识别的相关研究 | 第9-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12-14页 |
| 2 基于GABOR 小波的人脸表示 | 第14-22页 |
| ·GABOR 小波基础理论 | 第14-16页 |
| ·Gabor 变换 | 第14-15页 |
| ·一维Gabor 小波变换 | 第15页 |
| ·二维Gabor 小波变换 | 第15-16页 |
| ·GABOR 小波的生物学背景 | 第16-17页 |
| ·二维GABOR 小波滤波器的参数选取 | 第17-18页 |
| ·基于GABOR 小波的人脸表示 | 第18-21页 |
| ·本章小结 | 第21-22页 |
| 3 基于改进的二维主成分分析的人脸特征提取 | 第22-32页 |
| ·基于主成分分析的人脸识别 | 第22-24页 |
| ·人脸的表示 | 第22-23页 |
| ·人脸图像的规范化 | 第23页 |
| ·人脸图像的特征提取 | 第23页 |
| ·人脸图像的识别 | 第23-24页 |
| ·主成分分析方法的优缺点分析 | 第24页 |
| ·基于二维主成分分析的人脸识别 | 第24-27页 |
| ·二维主成分分析的基本思想 | 第24-25页 |
| ·基于二维主成分分析的人脸特征提取 | 第25-26页 |
| ·基于二维主成分分析的人脸识别 | 第26页 |
| ·二维主成分分析方法的优缺点分析 | 第26-27页 |
| ·基于改进的二维主成分分析的人脸特征提取 | 第27-31页 |
| ·算法提出背景 | 第27页 |
| ·基于总体散度矩阵的特征提取 | 第27-28页 |
| ·基于类内散度矩阵的特征提取 | 第28页 |
| ·两类特征的融合 | 第28页 |
| ·实验结果与分析 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于支持向量机的特征分类 | 第32-44页 |
| ·支持向量机简介 | 第32-37页 |
| ·线性可分情况 | 第33-34页 |
| ·线性不可分 | 第34页 |
| ·非线性支持向量机 | 第34-35页 |
| ·多类支持向量机 | 第35-36页 |
| ·支持向量机的训练 | 第36-37页 |
| ·支持向量机的识别 | 第37页 |
| ·基于改进的支持向量机的人脸分类 | 第37-41页 |
| ·训练算法 | 第39页 |
| ·测试算法 | 第39-41页 |
| ·实验结果与分析 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 5 人脸识别系统简介与实验结果分析 | 第44-51页 |
| ·系统设计思想 | 第44页 |
| ·系统技术流程介绍 | 第44-47页 |
| ·图像采集 | 第44-45页 |
| ·人脸检测 | 第45页 |
| ·人脸图像的预处理 | 第45-46页 |
| ·人脸图像特征提取 | 第46页 |
| ·人脸识别分类 | 第46-47页 |
| ·功能需求分析和描述 | 第47-48页 |
| ·系统实现 | 第48-49页 |
| ·实验结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 6 结论与展望 | 第51-53页 |
| ·本文工作总结 | 第51页 |
| ·未来研究展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58页 |
