| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 判断两个个体间的亲属关系 | 第11-14页 |
| 1.2.2 判断个体与家族之间的亲属关系 | 第14页 |
| 1.2.3 判断多个个体之间的亲属关系 | 第14-15页 |
| 1.3 存在问题及分析 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 相关理论及方法 | 第18-32页 |
| 2.1 度量学习 | 第18-21页 |
| 2.1.1 无监督度量学习 | 第19页 |
| 2.1.2 有监督度量学习 | 第19-21页 |
| 2.1.3 半监督度量学习 | 第21页 |
| 2.2 迁移学习 | 第21-24页 |
| 2.3 特征池化 | 第24-26页 |
| 2.4 支持向量机 | 第26-30页 |
| 2.4.1 基本思想 | 第26-28页 |
| 2.4.2 优化问题 | 第28-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于迁移度量学习和局部稀疏编码的亲属识别 | 第32-50页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于迁移度量学习和局部稀疏编码的亲属识别 | 第33-44页 |
| 3.2.1 人脸图像预处理 | 第33-35页 |
| 3.2.2 构建人脸图像的稀疏特征 | 第35-37页 |
| 3.2.3 近邻拒绝迁移度量学习（NRTML）方法 | 第37-39页 |
| 3.2.4 基于迁移学习的分类器构建 | 第39-43页 |
| 3.2.5 算法描述 | 第43-44页 |
| 3.3 实验结果与分析 | 第44-49页 |
| 3.3.1 实验数据库 | 第44-46页 |
| 3.3.2 实验结果比较与分析 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于自适应随机池化的亲属识别 | 第50-62页 |
| 4.1 引言 | 第50页 |
| 4.2 基于自适应随机池化的亲属识别算法 | 第50-57页 |
| 4.2.1 AdaBoost | 第51-52页 |
| 4.2.2 随机池化 | 第52-54页 |
| 4.2.3 加权支持向量机 | 第54-56页 |
| 4.2.4 算法描述 | 第56-57页 |
| 4.3 实验结果与分析 | 第57-61页 |
| 4.3.1 实验数据库 | 第57-58页 |
| 4.3.2 实验结果比较与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读学位期间发表论文与研究成果清单 | 第70-72页 |
| 致谢 | 第72页 |