基于鲁棒子空间学习的人脸识别技术
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景与研究意义 | 第10-13页 |
| 1.1.1 人脸识别的生物特征识别背景 | 第10-12页 |
| 1.1.2 人脸识别的优势 | 第12-13页 |
| 1.1.3 人脸识别的广阔应用前景 | 第13页 |
| 1.2 人脸识别系统的流程 | 第13-14页 |
| 1.3 人脸识别的主要方法 | 第14-16页 |
| 1.4 人脸识别的发展及国内外现状 | 第16-17页 |
| 1.5 本文主要工作 | 第17页 |
| 1.6 论文的结构安排 | 第17-19页 |
| 第二章 基于子空间分析方法的人脸识别技术 | 第19-31页 |
| 2.1 主成分分析法 | 第19-22页 |
| 2.1.1 主成分分析法原理 | 第19-21页 |
| 2.1.2 主成分分析法步骤 | 第21页 |
| 2.1.3 特征值的选取方法 | 第21页 |
| 2.1.4 主成分分析法的缺点分析 | 第21-22页 |
| 2.2 线性判别分析法 | 第22-24页 |
| 2.2.1 线性判别分析法原理 | 第22-23页 |
| 2.2.2 线性判别分析法步骤 | 第23-24页 |
| 2.2.3 线性判别分析法的缺点分析 | 第24页 |
| 2.3 局部保持投影法 | 第24-26页 |
| 2.3.1 局部保持投影法原理 | 第25-26页 |
| 2.3.2 局部保持投影法步骤 | 第26页 |
| 2.3.3 局部保持投影法的缺点分析 | 第26页 |
| 2.4 实验结果及分析 | 第26-30页 |
| 2.4.1 人脸数据库简介 | 第27-28页 |
| 2.4.2 分类器及参数选取 | 第28页 |
| 2.4.3 实验结果分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 低秩表示理论及比较分析 | 第31-42页 |
| 3.1 压缩传感理论 | 第32-33页 |
| 3.2 矩阵秩最小化理论 | 第33-34页 |
| 3.3 低秩表示 | 第34-40页 |
| 3.3.1 低秩表示数学模型及求解过程 | 第35-38页 |
| 3.3.2 实验及结果分析 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 低秩表示与子空间结合算法分析 | 第42-52页 |
| 4.1 典型低秩表示与子空间结合算法介绍 | 第42-43页 |
| 4.2 SRRS算法的数学模型及求解过程 | 第43-51页 |
| 4.2.1 SRRS算法的数学模型 | 第44-46页 |
| 4.2.2 SRRS算法的求解过程 | 第46-48页 |
| 4.2.3 SRRS算法的实验结果以及分析 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 新型的低秩表示与子空间结合算法分析 | 第52-69页 |
| 5.1 有监督的度量学习 | 第54-55页 |
| 5.2 新型的低秩表示与子空间结合算法的数学模型 | 第55-56页 |
| 5.3 新型的低秩表示与子空间结合算法的求解过程 | 第56-57页 |
| 5.4 实验及结果分析 | 第57-68页 |
| 5.4.1 人脸识别 | 第58-66页 |
| 5.4.2 人脸验证 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 后续工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-79页 |
