| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-26页 |
| ·人脸识别研究的内容 | 第12-13页 |
| ·人脸识别的发展现状 | 第13-15页 |
| ·神经生理学和心理学的主要结果 | 第14-15页 |
| ·机器识别人脸的现状 | 第15页 |
| ·人脸识别技术简介 | 第15-16页 |
| ·常用的人脸识别方法综述 | 第16-22页 |
| ·基于统计的识别方法 | 第17-18页 |
| ·基于连接机制的识别方法 | 第18-20页 |
| ·其它人脸识别方法 | 第20-22页 |
| ·人脸识别的难点 | 第22-23页 |
| ·人脸数据库 | 第23-24页 |
| ·本文的安排 | 第24-25页 |
| ·小结 | 第25-26页 |
| 第2章 支持向量机（SVM）方法 | 第26-39页 |
| ·SVM 概述 | 第26-32页 |
| ·统计学习一致性条件 | 第26-27页 |
| ·统计学理论推广的界 | 第27-28页 |
| ·结构化风险最小的原则 | 第28-29页 |
| ·标准的支持向量机模型 | 第29页 |
| ·线性可分情形与最优分类超平面 | 第29-30页 |
| ·线性不可分情形与软间隔 | 第30-31页 |
| ·非线性情形与核函数 | 第31-32页 |
| ·多分类支持向量机 | 第32-33页 |
| ·一对多方法 | 第32-33页 |
| ·一对一方法 | 第33页 |
| ·支持向量机的训练 | 第33-34页 |
| ·支持向量机组合的几种拓扑结构 | 第34-35页 |
| ·支持向量机的特点及优势 | 第35-37页 |
| ·小结 | 第37-39页 |
| 第3章 人脸图像的预处理 | 第39-42页 |
| ·几何校正 | 第39页 |
| ·图像掩模 | 第39-40页 |
| ·直方图均衡化 | 第40-41页 |
| ·人脸图像灰度归一化处理 | 第41页 |
| ·小结 | 第41-42页 |
| 第4章 基于 PCA 方法的人脸特征提取和检测 | 第42-47页 |
| ·PCA 概述 | 第42-44页 |
| ·PCA 原理 | 第42-43页 |
| ·PCA 的求解步骤 | 第43页 |
| ·PCA 的求解方法 | 第43-44页 |
| ·基于 PCA 的人脸图象特征提取和检测 | 第44-46页 |
| ·基于 PCA 方法人脸图像特征提取 | 第44-45页 |
| ·基于 PCA 方法的人脸检测 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第5章 基于神经网络和改进 SVM 的人脸识别方法 | 第47-61页 |
| ·神经网络方法 | 第47-51页 |
| ·神经网络的结构及类型 | 第47-48页 |
| ·神经元学习算法 | 第48页 |
| ·BP 神经网络 | 第48-50页 |
| ·用于人脸识别的 BP 神经网络算法学习步骤 | 第50-51页 |
| ·改进的 SVM 和神经网络人脸识别方法 | 第51-53页 |
| ·改进的 SVM 人脸识别算法的思路 | 第51-52页 |
| ·算法设计过程 | 第52-53页 |
| ·系统实现 | 第53-56页 |
| ·输入/输出模块 | 第53-54页 |
| ·图像的预处理模块 | 第54-55页 |
| ·分类器模块 | 第55-56页 |
| ·系统识别的效果分析 | 第56-59页 |
| ·实验数据及分析 | 第59-60页 |
| ·小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 附录B 攻读学位期间所参与的课题目录 | 第69页 |