| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 特征提取方法研究现状 | 第10-12页 |
| 1.2.2 分类方法研究现状 | 第12-13页 |
| 1.3 本文的工作及安排 | 第13-15页 |
| 第二章 非下采样剪切波变换 | 第15-25页 |
| 2.1 剪切波变换的定义及性质 | 第15-18页 |
| 2.2 离散的剪切波变换 | 第18-20页 |
| 2.3 非下采样剪切波变换 | 第20-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于NSST和深度信念网络的人脸识别算法 | 第25-41页 |
| 3.1 基于NSST的加权LBP特征提取 | 第25-27页 |
| 3.2 深度信念网络 | 第27-30页 |
| 3.2.1 受限玻尔兹曼机模型 | 第27-29页 |
| 3.2.2 深度信念网络 | 第29-30页 |
| 3.3 基于NSST和深度信念网络的人脸识别算法 | 第30-31页 |
| 3.4 实验结果及分析 | 第31-40页 |
| 3.4.1 ORL人脸图像库实验 | 第33-35页 |
| 3.4.2 YALE人脸图像库实验 | 第35-37页 |
| 3.4.3 FERET人脸图像库实验 | 第37-39页 |
| 3.4.4 鲁棒性分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于shearlet域深层特征提取的人脸识别算法 | 第41-53页 |
| 4.1 深层特征提取与特征学习 | 第41-43页 |
| 4.1.1 深层特征提取 | 第41-42页 |
| 4.1.2 特征学习 | 第42-43页 |
| 4.2 稀疏表示 | 第43-45页 |
| 4.2.1 稀疏表示的理论 | 第43-44页 |
| 4.2.2 稀疏表示的分解算法 | 第44-45页 |
| 4.3 基于shearlet域深层特征提取的人脸识别算法 | 第45-46页 |
| 4.4 实验结果及分析 | 第46-51页 |
| 4.4.1 ORL人脸图像库实验 | 第46-47页 |
| 4.4.2 YALE人脸图像库实验 | 第47-48页 |
| 4.4.3 FERET人脸图像库实验 | 第48-49页 |
| 4.4.4 鲁棒性分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士期间撰写的学术论文 | 第62页 |
| 攻读硕士期间参加的科研项目 | 第62-63页 |
| 攻读硕士期间获奖及荣誉情况 | 第63页 |