人脸图像的鲁棒特征表示方法研究
| 论文创新点 | 第1-15页 |
| 摘要 | 第15-17页 |
| ABSTRACT | 第17-19页 |
| 1 绪论 | 第19-30页 |
| ·研究背景与意义 | 第19-21页 |
| ·研究背景 | 第19-20页 |
| ·研究意义 | 第20-21页 |
| ·人脸识别系统 | 第21-22页 |
| ·人脸识别的主要挑战 | 第22-24页 |
| ·人脸识别的研究现状 | 第24-27页 |
| ·本文的主要贡献 | 第27-28页 |
| ·本论文组织结构 | 第28-30页 |
| 2 基于拉普拉斯方向的核主成分分析 | 第30-46页 |
| ·引言 | 第30-31页 |
| ·基于拉普拉斯方向的图像变换 | 第31-35页 |
| ·LO-KPCA | 第35-38页 |
| ·KPCA | 第35-36页 |
| ·明确映射及LO-KPCA算法 | 第36-38页 |
| ·实验结果与分析 | 第38-45页 |
| ·数据集 | 第38-39页 |
| ·参数选择 | 第39页 |
| ·无遮挡人脸识别 | 第39-41页 |
| ·有遮挡人脸识别 | 第41-42页 |
| ·每人单个样本(非遮挡情况) | 第42-43页 |
| ·每人单个样本(遮挡情况) | 第43-45页 |
| ·LO-KPCA参数分析 | 第45页 |
| ·本章小结 | 第45-46页 |
| 3 基于差值局部方向模式的人脸特征表示 | 第46-77页 |
| ·引言 | 第46-48页 |
| ·相关研究 | 第48-52页 |
| ·LBP | 第48-50页 |
| ·LDP | 第50-51页 |
| ·ELDP | 第51-52页 |
| ·DLDP | 第52-55页 |
| ·DLDP编码 | 第52-54页 |
| ·DLDP的稳定性和可靠性 | 第54-55页 |
| ·Kirsch掩模分析与加权设计 | 第55-59页 |
| ·Kirsch掩模分析 | 第55-56页 |
| ·加权设计 | 第56-59页 |
| ·人脸表示与识别 | 第59-60页 |
| ·人脸表示 | 第59-60页 |
| ·人脸识别 | 第60页 |
| ·实验 | 第60-75页 |
| ·AR数据库 | 第61-65页 |
| ·Yale数据库 | 第65-67页 |
| ·Extended Yale B数据库 | 第67-69页 |
| ·CMU PIE数据库 | 第69-70页 |
| ·FERET数据库 | 第70-72页 |
| ·参数分析 | 第72-75页 |
| ·本章小结 | 第75-77页 |
| 4 基于图像分解的人脸特征表示 | 第77-108页 |
| ·引言 | 第77-79页 |
| ·多方向图像分解 | 第79-84页 |
| ·多交叉梯度方向图像分解 | 第79-82页 |
| ·多拉普拉斯方向图像分解 | 第82-84页 |
| ·欧拉图像分解 | 第84-86页 |
| ·直方图表示 | 第86-88页 |
| ·维数约简 | 第88-89页 |
| ·实验结果与分析 | 第89-107页 |
| ·AR人脸数据库 | 第90-97页 |
| ·Yale数据库 | 第97-99页 |
| ·Extended Yale B数据库 | 第99-101页 |
| ·CMU PIE数据库 | 第101-103页 |
| ·FRID的参数分析 | 第103-107页 |
| ·本章小结 | 第107-108页 |
| 5 总结与展望 | 第108-111页 |
| ·总结 | 第108-109页 |
| ·展望 | 第109-111页 |
| 参考文献 | 第111-122页 |
| 攻博期间发表的科研成果目录 | 第122-123页 |
| 致谢 | 第123-124页 |
