| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 人脸识别研究的背景和意义简介 | 第15页 |
| 1.2 人脸识别技术的几个发展阶段 | 第15-16页 |
| 1.3 影响人脸识别精度的因素 | 第16-17页 |
| 1.4 主要的人脸数据库 | 第17-19页 |
| 1.4.1 ORL人脸库 | 第17页 |
| 1.4.2 AR人脸图像库 | 第17-18页 |
| 1.4.3 FERET人脸库 | 第18页 |
| 1.4.4 Yale人脸数据库 | 第18-19页 |
| 1.5 本文的组织结构 | 第19-20页 |
| 第二章 人脸检测及图像预处理 | 第20-28页 |
| 2.1 人脸识别框架 | 第20页 |
| 2.2 人脸检测方法 | 第20-22页 |
| 2.2.1 基于几何特征的人脸检测方法 | 第21页 |
| 2.2.2 基于相关匹配的方法 | 第21页 |
| 2.2.3 基于子空间的人脸检测方法 | 第21页 |
| 2.2.4 基于纹理模型的方法 | 第21-22页 |
| 2.2.5 神经网络人脸检测算法 | 第22页 |
| 2.2.6 基于隐马尔可夫模型人脸检测算法 | 第22页 |
| 2.3 人脸图像预处理 | 第22-27页 |
| 2.3.1 几何预处理 | 第23页 |
| 2.3.2 滤波去噪 | 第23-24页 |
| 2.3.3 灰度变换 | 第24-25页 |
| 2.3.4 直方图均衡 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 独立成分分析的理论和在人脸识别中的应用 | 第28-38页 |
| 3.1 独立成分分析简介 | 第28页 |
| 3.2 随机变量的独立性概念 | 第28-29页 |
| 3.3 独立成分分析的定义 | 第29-30页 |
| 3.3.1 ICA模型 | 第29页 |
| 3.3.2 ICA的三个假定和存在的不确定性 | 第29-30页 |
| 3.4 ICA算法的独立性判据 | 第30-33页 |
| 3.4.1 独立性与非高斯最大化间的关系 | 第30-32页 |
| 3.4.2 互信息最小化判据 | 第32页 |
| 3.4.3 极大似然判据 | 第32-33页 |
| 3.5 ICA的预处理及FASTICA算法 | 第33-34页 |
| 3.5.1 中心化及白化预处理 | 第33页 |
| 3.5.2 FastICA算法 | 第33-34页 |
| 3.6 基于ICA的人脸识别 | 第34-35页 |
| 3.7 实验结果及分析 | 第35-37页 |
| 3.8 本章小结 | 第37-38页 |
| 第四章 基于I-DCV的人脸识别方法 | 第38-47页 |
| 4.1 线性判别分析的基本理论 | 第38-39页 |
| 4.2 基于LDA的人脸识别 | 第39-40页 |
| 4.3 鉴别共同矢量简介 | 第40-42页 |
| 4.3.1 DCV投影矩阵W_(DCV)求解过程 | 第40-41页 |
| 4.3.2 对DCV在零空间求取投影矩阵分析 | 第41-42页 |
| 4.4 实验结果及分析 | 第42-46页 |
| 4.4.1 算法识别率比较 | 第42-44页 |
| 4.4.2 算法性能的比较 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于双层补空间多决策分类的人脸识别 | 第47-54页 |
| 5.1 补空间多决策分类方法的思想 | 第47-48页 |
| 5.2 局部投影熵 | 第48-49页 |
| 5.3 基于双层补空间多决策分类的人脸识别系统框架及实现 | 第49-50页 |
| 5.4 实验结果及分析 | 第50-53页 |
| 5.4.1 在ORL人脸库上的对比实验 | 第50-52页 |
| 5.4.2 在FERET人脸库上的实验对比 | 第52-53页 |
| 5.5 总结 | 第53-54页 |
| 第六章 总结及展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第60-61页 |