| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 人脸识别技术 | 第18-21页 |
| 1.4 本文的研究内容与结构安排 | 第21-23页 |
| 1.4.1 本文的研究内容 | 第21-22页 |
| 1.4.2 本文的结构安排 | 第22-23页 |
| 第二章 基本理论 | 第23-32页 |
| 2.1 引言 | 第23页 |
| 2.2 压缩感知理论 | 第23-26页 |
| 2.2.1 信号的稀疏性 | 第24-25页 |
| 2.2.2 压缩感知 | 第25-26页 |
| 2.3 稀疏表示模型 | 第26-27页 |
| 2.4 稀疏分解算法 | 第27-31页 |
| 2.4.1 贪婪算法 | 第27-30页 |
| 2.4.2 全局优化算法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于稀疏表示的人脸识别 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 人脸识别特征提取方法 | 第32-37页 |
| 3.3 人脸图像的稀疏表示 | 第37-39页 |
| 3.3.1 人脸的稀疏表示模型 | 第37-38页 |
| 3.3.2 稀疏表示分类原理 | 第38-39页 |
| 3.4 字典构造 | 第39-43页 |
| 3.4.1 MOD算法 | 第40页 |
| 3.4.2 KSVD | 第40-42页 |
| 3.4.3 在线字典学习 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于Gabor特征和字典学习的高斯混合稀疏表示图像识别 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 基于Gabor特征和字典学习的高斯混合稀疏表示图像识别算法 | 第44-48页 |
| 4.2.1 研究思路 | 第44-45页 |
| 4.2.2 基于Gabor特征集和FISHER准则的字典学习 | 第45-47页 |
| 4.2.3 基于高斯混合稀疏表示的分类方法 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-52页 |
| 4.3.1 AR人脸库 | 第48-49页 |
| 4.3.2 FERET人脸数据库 | 第49-51页 |
| 4.3.3 USPS手写数字库 | 第51-52页 |
| 4.3.4 时间复杂度分析 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 Gabor特征结合Metaface学习的扩展稀疏表示人脸识别 | 第54-63页 |
| 5.1 引言 | 第54页 |
| 5.2 基于Gabor特征结合Metaface学习的扩展稀疏表示人脸识别 | 第54-58页 |
| 5.2.1 研究思路 | 第54-55页 |
| 5.2.2 基于Gabor特征的Metaface学习模型 | 第55-56页 |
| 5.2.3 引入Gabor闭塞字典的扩展稀疏表示 | 第56-58页 |
| 5.3 实验结果与分析 | 第58-62页 |
| 5.3.1 AR人脸库 | 第58-59页 |
| 5.3.2 FERET人脸库 | 第59-60页 |
| 5.3.3 AR伪装的人脸库 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士期间的学术活动及成果情况 | 第70-71页 |
