| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-17页 |
| 1.1 人脸识别研究的背景及意义 | 第7-9页 |
| 1.2 人脸识别的研究现状 | 第9-15页 |
| 1.2.1 人脸识别的发展历史 | 第9-10页 |
| 1.2.2 人脸识别的国内外现状 | 第10-11页 |
| 1.2.3 人脸识别的研究内容 | 第11-12页 |
| 1.2.4 人脸识别的应用领域 | 第12-13页 |
| 1.2.5 人脸识别的研究困难 | 第13-14页 |
| 1.2.6 人脸识别的主要评价指标 | 第14-15页 |
| 1.3 本文主要研究内容与目的 | 第15页 |
| 1.4 本文结构安排 | 第15-17页 |
| 第二章 人脸识别相关方法综述 | 第17-25页 |
| 2.1 主要人脸图像库简介 | 第17-19页 |
| 2.1.1 Yale人脸图像数据库 | 第17页 |
| 2.1.2 CMU-PIE人脸图像数据库 | 第17-18页 |
| 2.1.3 FERET人脸图像数据库 | 第18页 |
| 2.1.4 标准ORL人脸图像数据库 | 第18页 |
| 2.1.5 CAS-PEAL人脸图像数据库 | 第18-19页 |
| 2.2 人脸识别的典型算法 | 第19-24页 |
| 2.2.1 主成分分析算法（PCA） | 第19-20页 |
| 2.2.2 几何特征算法 | 第20-21页 |
| 2.2.3 弹性图匹配算法 | 第21页 |
| 2.2.4 深度学习算法 | 第21-22页 |
| 2.2.5 隐马尔科夫模型算法 | 第22-23页 |
| 2.2.6 三维模型算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 人脸图像的预处理及特征提取 | 第25-32页 |
| 3.1 人脸图像的预处理方法 | 第25-28页 |
| 3.1.1 图像恢复的综述 | 第25页 |
| 3.1.2 逆滤波恢复方法 | 第25-26页 |
| 3.1.3 Lucy-Richardson滤波复原法 | 第26页 |
| 3.1.4 约束最小二乘方原理 | 第26-27页 |
| 3.1.5 图像的几何校正方法 | 第27-28页 |
| 3.1.6 图像二值化 | 第28页 |
| 3.2 人脸特征提取的主要算法 | 第28-31页 |
| 3.2.1 离散余弦变换的特征提取法 | 第28-29页 |
| 3.2.2 小波变换的特征提取法 | 第29-30页 |
| 3.2.3 流行学习的特征提取法 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于图像去模糊改进Gabor与LSSVM的人脸识别 | 第32-43页 |
| 4.1 引言 | 第32页 |
| 4.2 基于改进的Gabor与LSSVM的原理 | 第32-39页 |
| 4.2.1 二维Gabor小波变换 | 第32-33页 |
| 4.2.2 线性判别分析算法（LDA） | 第33-34页 |
| 4.2.3 DLDA算法原理 | 第34-35页 |
| 4.2.4 支持向量机分类器 | 第35-36页 |
| 4.2.5 LSSVM分类器 | 第36-37页 |
| 4.2.6 本文核心算法DLDA+2DGabor+LSSVM原理 | 第37-39页 |
| 4.3 实验分析 | 第39-41页 |
| 4.3.1 仿真实验条件 | 第39页 |
| 4.3.2 实验结果分析 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 基于图像旋转变换改进PCA与LVQ的人脸识别 | 第43-51页 |
| 5.1 引言 | 第43页 |
| 5.2 基于改进的PCA与LVQ算法原理 | 第43-47页 |
| 5.2.1 各级辐射模板算法 | 第43-44页 |
| 5.2.2 Gabor结合PCA算法 | 第44页 |
| 5.2.3 人工神经网络算法（ANN） | 第44-45页 |
| 5.2.4 LVQ分类器的网络模型与学习算法 | 第45-46页 |
| 5.2.5 最近邻分类器 | 第46-47页 |
| 5.3 实验分析 | 第47-50页 |
| 5.3.1 仿真实验条件 | 第47-48页 |
| 5.3.2 实验结果分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 论文总结 | 第51-52页 |
| 6.2 下一步工作展望 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 硕士期间发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |
