| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 引言 | 第11页 |
| 1.2 论文研究的背景及意义 | 第11-12页 |
| 1.3 人脸识别技术的发展历史 | 第12-13页 |
| 1.4 人脸识别的研究现状 | 第13-18页 |
| 1.4.1 基于几何特性的人脸识别方法 | 第14页 |
| 1.4.2 基于子空间分析及流形学习的分类算法 | 第14-16页 |
| 1.4.3 稀疏表示方法 | 第16-17页 |
| 1.4.4 低秩表示理论的发展及应用 | 第17-18页 |
| 1.5 人脸识别目前所面临的挑战 | 第18-19页 |
| 1.6 本文主要研究工作 | 第19-20页 |
| 1.7 本文内容章节安排 | 第20-22页 |
| 第二章 带有稀疏约束的判别低秩矩阵恢复的人脸识别方法 | 第22-33页 |
| 2.1 引言 | 第22-23页 |
| 2.2 相关工作 | 第23-25页 |
| 2.2.1 稀疏表示分类算法(SRC) | 第23-24页 |
| 2.2.2 低秩表示算法(LRR) | 第24-25页 |
| 2.3 带有稀疏约束的判别低秩矩阵恢复的人脸识别方法 | 第25-29页 |
| 2.3.1 带有稀疏约束的判别低秩表示 | 第26-28页 |
| 2.3.2 低秩投影矩阵 | 第28页 |
| 2.3.3 算法步骤 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-32页 |
| 2.4.1 实验1与分析 | 第29-30页 |
| 2.4.2 实验2与分析 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于加权低秩表示和自适应近邻选择的人脸识别方法 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 相关工作 | 第34-37页 |
| 3.2.1 半监督鉴别分析方法(SDA) | 第34-35页 |
| 3.2.2 基于自适应近邻选择的鉴别分析(ANSDA) | 第35-37页 |
| 3.3 基于加权低秩表示和自适应近邻选择的人脸识别分析方法 | 第37-40页 |
| 3.3.1 算法介绍 | 第37-39页 |
| 3.3.2 算法步骤 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-43页 |
| 3.4.1 实验1与分析 | 第40-41页 |
| 3.4.2 实验2与分析 | 第41-42页 |
| 3.4.3 实验3与分析 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 带有空间约束的图正则低秩表示联合协同表征的人脸识别算法 | 第45-55页 |
| 4.1 引言 | 第45-46页 |
| 4.2 相关工作 | 第46-48页 |
| 4.2.1 带有空间约束的低秩表示模型 | 第46-47页 |
| 4.2.2 协同表征(CRC) | 第47-48页 |
| 4.3 带有空间约束的图正则低秩表示联合协同表征的人脸识别算法 | 第48-51页 |
| 4.3.1 算法介绍 | 第48-50页 |
| 4.3.2 算法步骤 | 第50-51页 |
| 4.4 实验结果与分析 | 第51-53页 |
| 4.4.1 实验1与分析 | 第51-52页 |
| 4.4.2 实验2与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士期间发表的学术论文目录 | 第67-69页 |
