| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题背景及其研究意义 | 第9-10页 |
| 1.2 表示分类学习理论概述 | 第10-14页 |
| 1.2.1 基于稀疏表示分类算法 | 第11-12页 |
| 1.2.2 基于协同表示分类算法 | 第12-13页 |
| 1.2.3 线性回归分类算法 | 第13-14页 |
| 1.3 表示分类学习理论的研究进展 | 第14-15页 |
| 1.4 本文涉及数据库简介 | 第15-17页 |
| 1.4.1 AR人脸数据库 | 第15-16页 |
| 1.4.2 FERET人脸数据库 | 第16页 |
| 1.4.3 ORL人脸数据库 | 第16页 |
| 1.4.4 LFW人脸数据库 | 第16-17页 |
| 1.4.5 FRGC人脸数据库 | 第17页 |
| 1.5 本文结构安排 | 第17-18页 |
| 第二章 表示分类学习理论与改进算法研究 | 第18-31页 |
| 2.1 通过特征提取改进表示分类算法 | 第18-24页 |
| 2.1.1 主成分分析法 | 第18-19页 |
| 2.1.2 线性判别分析法 | 第19-20页 |
| 2.1.3 卷积神经网络 | 第20-24页 |
| 2.2 通过扩充样本集改进表示分类算法 | 第24-25页 |
| 2.2.1 结合原始与镜像人脸图像的识别算法 | 第24-25页 |
| 2.2.2 扩展的稀疏表示分类算法 | 第25页 |
| 2.3 通过改进分类策略改进表示分类算法 | 第25-29页 |
| 2.3.1 两阶段稀疏表示分类算法 | 第25-26页 |
| 2.3.2 使用迭代类剔除策略的稀疏表示分类算法 | 第26-27页 |
| 2.3.3 基于常规和逆向表示的线性回归分类算法 | 第27-29页 |
| 2.4 实验测试与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 降维系数解空间中二次优化的快速稀疏表示分类方法 | 第31-53页 |
| 3.1 引言 | 第31-32页 |
| 3.2 扩展的稀疏表示分类方法 | 第32-33页 |
| 3.3 降维系数解空间中二次优化的快速稀疏表示分类方法 | 第33-37页 |
| 3.3.1 扩展的稀疏PCA算法 | 第33-35页 |
| 3.3.2 基于扩展PCA的ESRC算法 | 第35页 |
| 3.3.3 扩展的稀疏LDA算法 | 第35-36页 |
| 3.3.4 基于CNN特征的ES-PCA算法 | 第36-37页 |
| 3.4 算法分析及细节探究 | 第37-43页 |
| 3.4.1 算法间相关性分析 | 第37-38页 |
| 3.4.2 ES-PCA算法分析 | 第38-40页 |
| 3.4.3 EP-SRC算法分析 | 第40-41页 |
| 3.4.4 ES-LDA算法分析 | 第41页 |
| 3.4.5 算法优缺点分析 | 第41-42页 |
| 3.4.6 时间复杂度分析 | 第42-43页 |
| 3.5 实验及结果分析 | 第43-52页 |
| 3.5.1 实验参数设置 | 第43页 |
| 3.5.2 AR人脸数据库实验 | 第43-47页 |
| 3.5.3 FERERT人脸数据库实验 | 第47-49页 |
| 3.5.4 ORL人脸数据库实验 | 第49-50页 |
| 3.5.5 LFW人脸数据库实验 | 第50-51页 |
| 3.5.6 FRGC人脸数据库实验 | 第51页 |
| 3.5.7 不同数据库上应用CNN特征的实验 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 基于卷积神经网络的双向协同表示分类方法 | 第53-72页 |
| 4.1 引言 | 第53-54页 |
| 4.2 相关工作简介 | 第54-58页 |
| 4.2.1 VGGNet简介 | 第54-57页 |
| 4.2.2 基于常规和逆向表示的线性回归分类算法简介 | 第57-58页 |
| 4.3 基于卷积神经网络的双向协同表示分类方法 | 第58-60页 |
| 4.4 算法分析及细节探究 | 第60-66页 |
| 4.4.1 CNN特征提取 | 第62-63页 |
| 4.4.2 高效的双向协同表示模型 | 第63-66页 |
| 4.5 实验及结果分析 | 第66-71页 |
| 4.5.1 AR人脸数据库实验 | 第66-67页 |
| 4.5.2 FERET人脸数据库实验 | 第67-68页 |
| 4.5.3 ORL人脸数据库实验 | 第68-69页 |
| 4.5.4 LFW人脸数据库实验 | 第69页 |
| 4.5.5 FRGC人脸数据库实验 | 第69-70页 |
| 4.5.6 本文优化算法比较 | 第70-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 结论 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第79页 |
