| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 1 绪论 | 第20-34页 |
| 1.1 人脸识别的研究意义及背景 | 第20-24页 |
| 1.2 人脸识别的国内外研究发展及存在问题 | 第24-28页 |
| 1.2.1 人脸识别的研究历程 | 第24-27页 |
| 1.2.2 人脸识别研究中存在的问题 | 第27-28页 |
| 1.3 研究动机和研究内容 | 第28-31页 |
| 1.3.1 研究动机 | 第28-29页 |
| 1.3.2 研究内容 | 第29-31页 |
| 1.4 章节安排 | 第31-34页 |
| 2 人脸识别综述 | 第34-48页 |
| 2.1 人脸识别系统 | 第34-35页 |
| 2.2 光照预处理方法 | 第35-38页 |
| 2.2.1 光照变化模型 | 第35-36页 |
| 2.2.2 光照不变量法 | 第36-37页 |
| 2.2.3 光照归一化法 | 第37-38页 |
| 2.2.4 3D变形模型法 | 第38页 |
| 2.3 特征提取方法 | 第38-43页 |
| 2.3.1 基于几何特征的方法 | 第38-39页 |
| 2.3.2 模板比较法 | 第39页 |
| 2.3.3 基于弹性匹配模型的方法 | 第39-40页 |
| 2.3.4 基于隐马尔科夫模型(HMM)的方法 | 第40-41页 |
| 2.3.5 基于神经网络的方法 | 第41页 |
| 2.3.6 基于子空间的方法 | 第41-43页 |
| 2.4 识别算法 | 第43-46页 |
| 2.4.1 支持向量机分类法 | 第43-45页 |
| 2.4.2 K近邻分类法 | 第45-46页 |
| 2.4.3 神经网络 | 第46页 |
| 2.5 人脸识别数据库 | 第46-47页 |
| 2.5.1 FERET人脸数据库 | 第46页 |
| 2.5.2 Yale B人脸库 | 第46-47页 |
| 2.5.3 Extended Yale B人脸库 | 第47页 |
| 2.5.4 CMU PIE人脸数据库 | 第47页 |
| 2.6 本章小结 | 第47-48页 |
| 3 基于自适应导引图像滤波器的自熵图像光照预处理方法 | 第48-68页 |
| 3.1 引言 | 第48-50页 |
| 3.2 相关研究基础 | 第50-55页 |
| 3.2.1 熵图像光照不变量提取法 | 第50-53页 |
| 3.2.2 导引图像滤波器 | 第53-55页 |
| 3.3 基于自适应导引图像滤波的光照不变量提取方法 | 第55-60页 |
| 3.3.1 自适应系数 | 第56-57页 |
| 3.3.2 自适应边缘减弱滤波器 | 第57-58页 |
| 3.3.3 自适应边缘减弱滤波器的性质 | 第58-59页 |
| 3.3.4 整体算法流程及算法复杂度说明 | 第59-60页 |
| 3.4 实验比较和分析 | 第60-66页 |
| 3.4.1 Extended Yale B人脸库 | 第61-62页 |
| 3.4.2 FERET人脸库 | 第62-66页 |
| 3.5 本章小结 | 第66-68页 |
| 4 基于自学习的局部特征提取方法 | 第68-94页 |
| 4.1 引言 | 第68-69页 |
| 4.2 相关工作 | 第69-75页 |
| 4.2.1 整体特征 | 第69-72页 |
| 4.2.2 局部特征 | 第72-75页 |
| 4.3 基于自学习算法的局部特征提取 | 第75-81页 |
| 4.3.1 自学习流程 | 第77-79页 |
| 4.3.2 目标函数及求解 | 第79-81页 |
| 4.4 实验结果与分析 | 第81-92页 |
| 4.4.1 FERET数据库 | 第82-84页 |
| 4.4.2 Extended Yale B数据库 | 第84-92页 |
| 4.5 本章小结 | 第92-94页 |
| 5 基于统一准则的特征提取与分类方法 | 第94-110页 |
| 5.1 引言 | 第94-95页 |
| 5.2 相关工作 | 第95-99页 |
| 5.2.1 两种理论基础 | 第95-99页 |
| 5.2.2 目前存在的问题 | 第99页 |
| 5.3 基于点到子空间距离的特征提取方法 | 第99-101页 |
| 5.4 基于点与子空间距离的分类器设计 | 第101-103页 |
| 5.5 实验结果 | 第103-108页 |
| 5.5.1 基于点到子空间距离的特征提取的有效性 | 第104页 |
| 5.5.2 基于点到子空间的分类识别算法的有效性 | 第104-108页 |
| 5.6 本章小结 | 第108-110页 |
| 6 适用于大数据量的拟牛顿最优化算法 | 第110-128页 |
| 6.1 引言 | 第110页 |
| 6.2 相关工作 | 第110-115页 |
| 6.2.1 梯度下降法 | 第111-113页 |
| 6.2.2 牛顿梯度下降法 | 第113-114页 |
| 6.2.3 随机梯度下降 | 第114页 |
| 6.2.4 牛顿随机梯度下降 | 第114-115页 |
| 6.3 适用于大数据问题的拟牛顿小批量最优化算法 | 第115-118页 |
| 6.3.1 拟牛顿小批量优化算法 | 第116-118页 |
| 6.4 实验结果与实验分析 | 第118-126页 |
| 6.4.1 与全批最优化算法比较 | 第118-121页 |
| 6.4.2 与随机算法的比较 | 第121-126页 |
| 6.5 本章小结 | 第126-128页 |
| 7 结束语 | 第128-132页 |
| 7.1 论文总结 | 第128-130页 |
| 7.2 工作展望 | 第130-132页 |
| 参考文献 | 第132-142页 |
| 作者简历 | 第142-144页 |
| 发表文章目录 | 第144页 |