| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 人脸识别的研究背景及意义 | 第8-9页 |
| 1.2 人脸识别的研究历程 | 第9-11页 |
| 1.3 人脸识别研究的主要问题 | 第11页 |
| 1.4 常用人脸数据库简介 | 第11-14页 |
| 1.5 本文研究内容与结构安排 | 第14-16页 |
| 第2章 经典的人脸识别算法 | 第16-24页 |
| 2.1 引言 | 第16-17页 |
| 2.2 人脸图像的特征提取方法概述 | 第17-20页 |
| 2.2.1 主成分分析方法(Principal Component Analysis,简称PCA) | 第17-19页 |
| 2.2.2 线性鉴别分析方法(Linear Discriminant Analysis,简称LDA) | 第19-20页 |
| 2.3 基于线性表示模型的人脸识别算法 | 第20-24页 |
| 第3章 基于稀疏表示的有监督的维数约减算法 | 第24-38页 |
| 3.1 引言 | 第24-25页 |
| 3.2 基于稀疏表示的有监督维数约减算法的相关工作 | 第25-26页 |
| 3.2.1 稀疏表示人脸识别算法 | 第25-26页 |
| 3.2.2 基于SRC的维数约减算法(DR-SRC) | 第26页 |
| 3.3 基于稀疏表示的有监督维数约减算法(SDR-SRC) | 第26-29页 |
| 3.4 基于稀疏表示的有监督维数约减算法的合理性分析 | 第29-32页 |
| 3.5 基于稀疏表示的有监督维数约减算法的实验结果 | 第32-35页 |
| 3.5.1 基于稀疏表示的有监督维数约减算法在GT数据库上的实验结果 | 第33-34页 |
| 3.5.2 基于稀疏表示的有监督维数约减算法在ORL数据库上的实验结果 | 第34-35页 |
| 3.5.3 基于稀疏表示的有监督维数约减算法在FERET数据库上的实验结果 | 第35页 |
| 3.6 本章小结 | 第35-38页 |
| 第4章 融合全局与梯度的协同表示算法 | 第38-46页 |
| 4.1 引言 | 第38页 |
| 4.2 协同表示分类算法基本原理 | 第38-39页 |
| 4.3 融合全局与梯度的协同表示算法 | 第39-41页 |
| 4.3.1 构建二维图像的梯度矩阵 | 第39-40页 |
| 4.3.2 融合全局与梯度的协同表示算法的基本原理 | 第40-41页 |
| 4.4 融合全局与梯度的协同表示算法的合理性分析 | 第41-42页 |
| 4.5 融合全局与梯度的协同表示算法的实验结果及分析 | 第42-44页 |
| 4.5.1 融合全局与梯度的协同表示算法在FERET库上的实验 | 第43页 |
| 4.5.2 融合全局与梯度的协同表示算法在CMU PIE库上的实验 | 第43-44页 |
| 4.5.3 融合全局与梯度的协同表示算法在Extended Yale B库上的实验 | 第44页 |
| 4.6 本章小结 | 第44-46页 |
| 第5章 松驰的最小平方误差算法 | 第46-58页 |
| 5.1 引言 | 第46-47页 |
| 5.2 MSE算法 | 第47-48页 |
| 5.2.1 MSE算法在两类分类问题上的应用 | 第47页 |
| 5.2.2 MSE算法在多类分类问题上的应用 | 第47-48页 |
| 5.3 松驰的MSE算法(RMSE) | 第48-50页 |
| 5.4 松驰的MSE算法的合理性分析 | 第50-54页 |
| 5.5 松驰的MSE算法的实验结果 | 第54-55页 |
| 5.5.1 RMSE算法在GT数据库上的实验 | 第54页 |
| 5.5.2 RMSE算法在FERET数据库上的实验 | 第54-55页 |
| 5.5.3 RMSE算法在ORL数据库上的实验 | 第55页 |
| 5.6 本章小结 | 第55-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 未来工作的展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间科研成果 | 第68页 |
