基于特征融合的人脸识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 人脸识别研究的历史和现状 | 第11-13页 |
| 1.2.1 人脸识别研究的历史 | 第11-12页 |
| 1.2.2 人脸识别研究的现状 | 第12-13页 |
| 1.3 本课题研究目标与工作 | 第13-14页 |
| 1.4 全文结构 | 第14-15页 |
| 第二章 基于PCA的人脸识别 | 第15-28页 |
| 2.1 K-L变换 | 第15-17页 |
| 2.1.1 协方差矩阵 | 第15-16页 |
| 2.1.2 K-L变换 | 第16-17页 |
| 2.2 基于PCA的人脸识别 | 第17-22页 |
| 2.2.1 PCA基本原理 | 第18-21页 |
| 2.2.2 二维PCA | 第21-22页 |
| 2.3 实验结果和分析 | 第22-26页 |
| 2.3.1 PCA算法实验 | 第22-25页 |
| 2.3.2 PCA和 2D-PCA比较实验 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 局部特征提取与分组融合方法 | 第28-48页 |
| 3.1 Gabor变换提取人脸的局部特征 | 第28-32页 |
| 3.1.1 Gabor小波变换 | 第28-29页 |
| 3.1.2 二维Gabor变换提取人脸的局部特征 | 第29-32页 |
| 3.2 Gabor特征的分组方案 | 第32-35页 |
| 3.2.1 基于不同核函数的PCA多通道分组 | 第32-33页 |
| 3.2.2 基于图像均匀分块的分组 | 第33-34页 |
| 3.2.3 基于人脸关键部位的分组 | 第34-35页 |
| 3.3 基于Fisher线性判别的特征降维 | 第35-39页 |
| 3.4 信息融合原理 | 第39-41页 |
| 3.5 多分类器融合 | 第41-45页 |
| 3.5.1 多分类器融合概述 | 第41-43页 |
| 3.5.2 人脸局部特征的多分类器融合 | 第43-45页 |
| 3.6 实验结果和分析 | 第45-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 局部和全局特征融合的人脸识别 | 第48-65页 |
| 4.1 局部与全局特征的集成 | 第48-50页 |
| 4.2 基于神经网络的特征融合 | 第50-61页 |
| 4.2.1 神经网络的基本概念 | 第50-54页 |
| 4.2.2 神经网络在人脸识别方面的发展 | 第54-55页 |
| 4.2.3 BP神经网络 | 第55-60页 |
| 4.2.4 基于神经网络的人脸全局和局部特征融合 | 第60-61页 |
| 4.3 实验结果和分析 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 全文总结及展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间取得的成果 | 第71-72页 |
