| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 人脸识别研究背景与意义 | 第10-11页 |
| 1.2 人脸识别国内外研究现状 | 第11-12页 |
| 1.3 人脸识别系统 | 第12-14页 |
| 1.3.1 特征提取算法 | 第13页 |
| 1.3.2 识别分类器 | 第13-14页 |
| 1.4 本文的主要工作及章节安排 | 第14-17页 |
| 第2章 随机森林的构建过程及理论概述 | 第17-29页 |
| 2.1 决策树 | 第17-22页 |
| 2.1.1 决策树概述 | 第17-18页 |
| 2.1.2 决策树中节点的分裂算法 | 第18-22页 |
| 2.2 随机森林的构建过程 | 第22-23页 |
| 2.2.1 Bagging重采样方法 | 第22页 |
| 2.2.2 构建随机森林 | 第22-23页 |
| 2.3 随机森林的随机性 | 第23-24页 |
| 2.3.1 训练样本选取的随机性 | 第24页 |
| 2.3.2 特征子集的随机性 | 第24页 |
| 2.4 随机森林分类性能理论概述 | 第24-27页 |
| 2.4.1 随机森林的边缘函数与误差函数 | 第25页 |
| 2.4.2 随机森林的相关系数与分类强度 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 析取范式的随机森林算法 | 第29-53页 |
| 3.1 决策树的范式表示 | 第29-31页 |
| 3.1.1 析取范式与合取范式 | 第29-30页 |
| 3.1.2 用析取范式表示决策树 | 第30-31页 |
| 3.2 析取范式的LOGISTIC网络—LDNN | 第31-34页 |
| 3.3 析取范式的随机森林算法 | 第34-45页 |
| 3.3.1 构建析取决策树 | 第34-37页 |
| 3.3.2 可微广义析取形式的决策树 | 第37-38页 |
| 3.3.3 全局目标函数 | 第38-41页 |
| 3.3.4 析取范式的随机森林 | 第41-43页 |
| 3.3.5 用于多分类的析取范式随机森林模型 | 第43-45页 |
| 3.4 析取范式的随机森林的分类性能 | 第45-51页 |
| 3.4.1 实验1：DNDT方法与DT、SDT方法误判率的对比 | 第47页 |
| 3.4.2 实验2：DNDT方法与DT、SDT方法训练时间的对比 | 第47-48页 |
| 3.4.3 实验3：DNRF方法与RF方法误判率的对比 | 第48-49页 |
| 3.4.4 实验4：针对“错误样本”因素的对比实验 | 第49-50页 |
| 3.4.5 实验5：针对“决策树大小”因素的对比实验 | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 基于析取范式随机森林的人脸识别 | 第53-67页 |
| 4.1 特征提取方法——D2DPCA | 第53-57页 |
| 4.1.1 2DPCA算法 | 第53-55页 |
| 4.1.2 D2DPCA算法 | 第55-57页 |
| 4.2 采用随机森林方法建模的过程 | 第57-58页 |
| 4.3 基于析取范式随机森林的人脸识别实验设计 | 第58-62页 |
| 4.3.1 构建用于人脸识别的随机森林模型 | 第58-60页 |
| 4.3.2 建立用于人脸识别的析取范式随机森林模型 | 第60-62页 |
| 4.4 实验结果与分析 | 第62-65页 |
| 4.4.1 在ORL人脸库上的实验 | 第62-63页 |
| 4.4.2 在FERET人脸库上的实验 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 总结与展望 | 第67-70页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间学术研究成果 | 第76页 |
