| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 选题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-17页 |
| 1.2.1 国内外研究现状 | 第14-16页 |
| 1.2.2 发展趋势 | 第16-17页 |
| 1.3 人脸识别存在的难点及挑战 | 第17-20页 |
| 1.4 论文研究内容 | 第20页 |
| 1.5 论文组织结构 | 第20-21页 |
| 第2章 人脸识别的基本方法 | 第21-31页 |
| 2.1 前言 | 第21页 |
| 2.2 人脸识别的主要方法 | 第21-27页 |
| 2.2.1 基于几何特征的人脸识别方法 | 第21页 |
| 2.2.2 基于特征脸的人脸识别方法 | 第21-22页 |
| 2.2.3 弹性图匹配的人脸识别方法 | 第22页 |
| 2.2.4 线段Hausdorff距离(LHD)的人脸识别方法 | 第22页 |
| 2.2.5 支持向量机(SVM)的人脸识别方法 | 第22页 |
| 2.2.6 基于最近特征空间的人脸识别方法 | 第22-23页 |
| 2.2.7 基于特征选择的人脸识别方法 | 第23页 |
| 2.2.8 基于神经网络的人脸识别方法 | 第23-24页 |
| 2.2.9 基于稀疏表示的人脸识别方法 | 第24-27页 |
| 2.3 常用人脸数据库 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 模块化联合特征稀疏表示算法 | 第31-44页 |
| 3.1 联合特征简介 | 第31页 |
| 3.1.1 Gabor特征 | 第31页 |
| 3.1.2 LGBP特征 | 第31页 |
| 3.2 联合特征分类算法 | 第31-33页 |
| 3.3 类内变换 | 第33页 |
| 3.4 模块化稀疏表示算法简介 | 第33-35页 |
| 3.5 模块化联合特征稀疏表示算法 | 第35-36页 |
| 3.6 算法分析 | 第36页 |
| 3.7 实验结果与分析 | 第36-43页 |
| 3.7.1 实验结果 | 第36-42页 |
| 3.7.2 实验分析 | 第42-43页 |
| 3.8 本章小结 | 第43-44页 |
| 第4章 基于神经网络的人脸矫正稀疏表示算法 | 第44-52页 |
| 4.1 基于神经网络的人脸矫正算法描述 | 第44-48页 |
| 4.1.1 FIP特征 | 第44-45页 |
| 4.1.2 使用深度神经网络得到FIP特征并重构出正面人脸图像 | 第45-48页 |
| 4.2 实验结果与分析 | 第48-51页 |
| 4.2.1 FIP特征的提取 | 第48-49页 |
| 4.2.2 图像矫正效果 | 第49页 |
| 4.2.3 矫正人脸图像算法识别率验证 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录 A 发表论文和参加科研情况说明 | 第60页 |