基于PCA和SVM的人脸识别关键技术研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状及发展态势 | 第11-16页 |
| 1.3 人脸数据库简介 | 第16-19页 |
| 1.4 主要研究内容与技术路线 | 第19-20页 |
| 1.4.1 主要研究内容 | 第19页 |
| 1.4.2 技术路线及实施方案 | 第19-20页 |
| 1.5 论文结构安排 | 第20-21页 |
| 第二章 人脸图像预处理 | 第21-29页 |
| 2.1 概述 | 第21页 |
| 2.2 图像的灰度化 | 第21-22页 |
| 2.3 图像增强 | 第22-27页 |
| 2.3.1 灰度变换 | 第22-24页 |
| 2.3.2 图像平滑 | 第24-26页 |
| 2.3.3 直方图均衡化 | 第26-27页 |
| 2.4 图像几何归一化 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于PCA的人脸识别 | 第29-42页 |
| 3.1 概述 | 第29页 |
| 3.2 PCA的基本原理 | 第29-31页 |
| 3.2.1 PCA的概念 | 第30页 |
| 3.2.2 PCA的原理 | 第30-31页 |
| 3.3 PCA人脸识别 | 第31-38页 |
| 3.3.1 构造主元子空间 | 第31-35页 |
| 3.3.2 训练样本图像的特征提取 | 第35-36页 |
| 3.3.3 距离函数的选择 | 第36-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于支持向量机的改进人脸识别 | 第42-64页 |
| 4.1 概述 | 第42页 |
| 4.2 支持向量机 | 第42-51页 |
| 4.2.1 线性支持向量机 | 第42-46页 |
| 4.2.2 非线性支持向量机与核函数 | 第46-49页 |
| 4.2.3 多分类支持向量机 | 第49-51页 |
| 4.3 LDA基本原理 | 第51-56页 |
| 4.3.1 LDA判别准则 | 第52-55页 |
| 4.3.2 多类LDA线性判别分析方法 | 第55-56页 |
| 4.4 基于PCA和SVM的人脸识别改进算法 | 第56-57页 |
| 4.5 实验结果与分析 | 第57-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 人脸识别系统设计与实现 | 第64-72页 |
| 5.1 概述 | 第64页 |
| 5.2 系统的总体结构 | 第64-65页 |
| 5.3 系统的设计与实现 | 第65-67页 |
| 5.3.1 系统开发环境 | 第65页 |
| 5.3.2 系统详细设计 | 第65-67页 |
| 5.4 系统的测试结果与分析 | 第67-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 研究工作总结 | 第72-73页 |
| 6.1.1 工作总结 | 第72-73页 |
| 6.1.2 论文创新点及主要贡献 | 第73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
