| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·人脸识别研究背景及研究意义 | 第11-12页 |
| ·人脸识别研究背景 | 第11页 |
| ·人脸识别研究意义 | 第11-12页 |
| ·人脸识别研究的发展和现状 | 第12-18页 |
| ·人脸识别研究的历史发展 | 第12-16页 |
| ·人脸识别研究的现状 | 第16-18页 |
| ·人脸库简介 | 第18-19页 |
| ·本论文的内容安排 | 第19-21页 |
| ·论文主要内容 | 第19-20页 |
| ·论文的结构安排 | 第20-21页 |
| 第2章 基于判别共同向量的人脸特征提取 | 第21-35页 |
| ·判别共同向量算法的提出 | 第21-22页 |
| ·判别共同向量算法 | 第22-27页 |
| ·DCV算法1 | 第22-25页 |
| ·DCV算法2 | 第25-27页 |
| ·主成分分析变换空间上的判别共同向量算法 | 第27-32页 |
| ·PCA算法 | 第27-29页 |
| ·PCA+DCV算法 | 第29-30页 |
| ·PCA+DCV与DCV的比较分析 | 第30-32页 |
| ·判别共同向量算法在人脸识别上的应用 | 第32-34页 |
| ·DCV算法实验步骤 | 第32-33页 |
| ·PCA+DCV算法实验步骤 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于支持向量机的人脸识别方法 | 第35-49页 |
| ·支持向量机 | 第35-41页 |
| ·最优超平面 | 第35-37页 |
| ·线性支持向量机 | 第37-39页 |
| ·非线性支持向量机 | 第39-40页 |
| ·核函数 | 第40-41页 |
| ·多类分类支持向量机 | 第41-44页 |
| ·“一对多(One Against Rest)”分类法 | 第42-43页 |
| ·“一对一(One Against One)”分类法 | 第43页 |
| ·DAGSVM分类法 | 第43-44页 |
| ·支持向量机在人脸识别上的应用 | 第44-48页 |
| ·支持向量机模型选择 | 第45-47页 |
| ·DCV+SVM算法实验步骤 | 第47-48页 |
| ·PCA+DCV+SVM算法实验步骤 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第4章 算法实验结果及分析 | 第49-65页 |
| ·实验环境 | 第49页 |
| ·PCA和DCV算法实验 | 第49-58页 |
| ·PCA算法实验 | 第50-52页 |
| ·DCV算法实验 | 第52-55页 |
| ·DCV算法2稳定性实验 | 第52-53页 |
| ·DCV算法2识别率实验 | 第53-55页 |
| ·PCA+DCV算法实验 | 第55-58页 |
| ·PCA+DCV算法识别率实验 | 第55-56页 |
| ·PCA+DCV算法训练时间和特征提取时间实验 | 第56-58页 |
| ·SVM算法实验 | 第58-64页 |
| ·DCV+SVM算法实验 | 第59-63页 |
| ·SVM算法参数选择实验 | 第59-60页 |
| ·DCV+SVM算法识别率实验 | 第60-63页 |
| ·PCA+DCV+SVM算法实验 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 人脸识别算法在DSP图像处理系统上的实现 | 第65-77页 |
| ·DSP图像处理系统硬件体系 | 第65-68页 |
| ·ICETEK-DM6437-B评估板 | 第65-66页 |
| ·DSP数字图像处理芯片 | 第66-67页 |
| ·XDS560仿真器 | 第67-68页 |
| ·DSP图像处理系统软件开发环境 | 第68-70页 |
| ·人脸识别算法的DSP图像处理系统实现 | 第70-76页 |
| ·人脸识别算法在DSP图像处理系统实现的方法 | 第70-71页 |
| ·算法程序模块及其流程 | 第71-75页 |
| ·DCV特征提取模块程序流程 | 第71-73页 |
| ·SVM分类模块程序流程 | 第73-74页 |
| ·程序总流程 | 第74-75页 |
| ·人脸识别算法在DSP系统上实现的结果 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-81页 |
| ·本文研究总结 | 第77-78页 |
| ·进一步的工作与展望 | 第78-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士期间发表的论文 | 第87页 |