| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-25页 |
| 1.1 人脸识别的意义 | 第13-15页 |
| 1.2 人脸识别的主要过程及特点 | 第15-16页 |
| 1.3 人脸特征抽取与分类的主要技术 | 第16-21页 |
| 1.3.1 特征抽取 | 第16-21页 |
| 1.3.2 分类器的设计 | 第21页 |
| 1.4 人脸识别的主要困难 | 第21-22页 |
| 1.5 本文研究工作概述 | 第22-23页 |
| 1.6 本文内容安排 | 第23-25页 |
| 2 由分类器引导的特征抽取方法 | 第25-42页 |
| 2.1 引言 | 第25-26页 |
| 2.2 几种特征抽取方法 | 第26-31页 |
| 2.2.1 主成分分析 | 第26-27页 |
| 2.2.2 线性鉴别分析 | 第27-28页 |
| 2.2.3 局部保持投影 | 第28-29页 |
| 2.2.4 稀疏保持投影 | 第29-31页 |
| 2.3 分类器介绍 | 第31-33页 |
| 2.3.1 线性回归分类器 | 第31-32页 |
| 2.3.2 稀疏表示分类器 | 第32-33页 |
| 2.3.3 协同表示分类器 | 第33页 |
| 2.4 由分类器引导的特征抽取 | 第33-36页 |
| 2.4.1 由最近邻分类器引导的特征抽取 | 第33-34页 |
| 2.4.2 由线性回归分类器引导的特征抽取 | 第34页 |
| 2.4.3 由协同表示分类器引导的特征抽取 | 第34-36页 |
| 2.5 实验结果与分析 | 第36-41页 |
| 2.5.1 在Yale人脸数据库中的实验 | 第36-37页 |
| 2.5.2 在ORL人脸数据库中的实验 | 第37-40页 |
| 2.5.3 在AR人脸数据库中的实验 | 第40-41页 |
| 2.6 本章小结 | 第41-42页 |
| 3 惩罚的协同表示人脸识别方法 | 第42-55页 |
| 3.1 引言 | 第42-43页 |
| 3.2 几种加权算法的简介 | 第43-45页 |
| 3.2.1 加权稀疏表示 | 第43-44页 |
| 3.2.2 两步测试样本稀疏表示 | 第44页 |
| 3.2.3 自适应协同表示分类 | 第44-45页 |
| 3.3 惩罚的协同表示人脸识别方法 | 第45-49页 |
| 3.3.1 惩罚的协同表示人脸识别方法 | 第45-47页 |
| 3.3.2 时间复杂度分析 | 第47页 |
| 3.3.3 Gabor小波变换特征抽取下的PCRC | 第47-49页 |
| 3.4 实验结果与分析 | 第49-54页 |
| 3.4.1 在YaleB人脸数据库中的实验 | 第49-51页 |
| 3.4.2 在ORL人脸数据库中的实验 | 第51-53页 |
| 3.4.3 在AR人脸数据库中的实验 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 4 分类器引导的虚拟样本生成方法 | 第55-64页 |
| 4.1 引言 | 第55-56页 |
| 4.2 虚拟样本生成方法简介 | 第56-59页 |
| 4.2.1 几种直观的生成虚拟样本方法 | 第56-57页 |
| 4.2.2 商图像理论 | 第57-59页 |
| 4.3 由协同表示引导的虚拟样本生成方法 | 第59-61页 |
| 4.4 实验结果与分析 | 第61-63页 |
| 4.4.1 在Yale人脸数据库中的实验 | 第61-62页 |
| 4.4.2 在FERET人脸数据库中的实验 | 第62页 |
| 4.4.3 在AR人脸数据库中的实验 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 利用虚拟训练样本的核协同表示人脸识别方法 | 第64-83页 |
| 5.1 引言 | 第64-65页 |
| 5.2 几种方法的核扩展 | 第65-68页 |
| 5.2.1 核主成分分析 | 第65-66页 |
| 5.2.2 核鉴别分析 | 第66-67页 |
| 5.2.3 核协同表示分类器 | 第67-68页 |
| 5.3 鲁棒的核协同表示人脸识别方法 | 第68-71页 |
| 5.4 实验结果与分析 | 第71-81页 |
| 5.4.1 在FERET人脸数据库中的实验 | 第71-74页 |
| 5.4.2 在Georgia Tech人脸数据库中的实验 | 第74-79页 |
| 5.4.3 在ORL人脸数据库中的实验 | 第79-81页 |
| 5.5 本章小结 | 第81-83页 |
| 6 改进的最小平方误差人脸识别方法 | 第83-95页 |
| 6.1 问题引入 | 第83-84页 |
| 6.2 基于最小平方误差分类器的人脸识别方法 | 第84-85页 |
| 6.3 基于双向最小平方误差分类器的人脸识别 | 第85-89页 |
| 6.3.1 双向最小平方误差分类器的理论基础 | 第85-86页 |
| 6.3.2 双向最小平方误差分类器分析 | 第86-87页 |
| 6.3.3 实验结果及分析 | 第87-89页 |
| 6.4 基于核改进的最小平方误差分类器 | 第89-93页 |
| 6.4.1 改进的最小平方误差分类器算法 | 第90-91页 |
| 6.4.2 改进最小平方误差分类器算法的核扩展 | 第91-92页 |
| 6.4.3 实验和分析 | 第92-93页 |
| 6.5 本章小结 | 第93-95页 |
| 7 结束语 | 第95-97页 |
| 7.1 本文工作总结 | 第95-96页 |
| 7.2 展望 | 第96-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-113页 |
| 附录 | 第113页 |