基于2DPCA和FLDA的人脸识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题的背景及意义 | 第9页 |
| ·人脸识别技术的特点和研究内容 | 第9-14页 |
| ·人脸识别的研究现状 | 第14-17页 |
| ·本文主要工作 | 第17-18页 |
| 第2章 人脸图像的采集与预处理 | 第18-29页 |
| ·人脸数据库 | 第18-20页 |
| ·国外人脸数据库 | 第18-19页 |
| ·国内人脸数据库 | 第19-20页 |
| ·灰度归一化 | 第20-22页 |
| ·图像平滑 | 第22-23页 |
| ·图像增强 | 第23-27页 |
| ·本章小结 | 第27-29页 |
| 第3章 人脸检测与定位 | 第29-42页 |
| ·人脸检测概述 | 第29-30页 |
| ·人脸检测的流程 | 第30-36页 |
| ·分类器的离线学习 | 第31-33页 |
| ·在线检测目标 | 第33-35页 |
| ·性能评价的方法介绍 | 第35-36页 |
| ·人脸检测方法(基于Adaboost方法) | 第36-41页 |
| ·Haar矩形特征 | 第36-38页 |
| ·基于离散Adaboost的特征选择 | 第38-39页 |
| ·分类器级联介绍 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 人脸的特征选择与提取 | 第42-53页 |
| ·主成分分析(PCA) | 第42-47页 |
| ·基本原理 | 第42-43页 |
| ·典型算法 | 第43-47页 |
| ·二维主成分分析(2DPCA) | 第47-50页 |
| ·2DPCA的介绍 | 第47-48页 |
| ·2DPCA的基本原理 | 第48-50页 |
| ·Fisher线性鉴别分析(FLDA) | 第50-52页 |
| ·PCA+FLDA的方法 | 第52页 |
| ·2DPCA+FLDA的方法 | 第52页 |
| ·本章小结 | 第52-53页 |
| 第5章 人脸图像分类器设计 | 第53-67页 |
| ·最近邻法 | 第53-56页 |
| ·基本的最近邻法介绍 | 第53-54页 |
| ·广义的最近邻方法 | 第54-55页 |
| ·最近邻法的应用 | 第55-56页 |
| ·支持向量机方法 | 第56-63页 |
| ·支持向量机的分类决策 | 第56-58页 |
| ·支持向量机(SVM)的理论基础 | 第58-63页 |
| ·最近邻分类器与支持向量机分类器融合的分类器 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 人脸识别实验与结果分析 | 第67-73页 |
| ·实验过程 | 第67-68页 |
| ·实验分析 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 第7章 总结与展望 | 第73-75页 |
| ·全文总结 | 第73-74页 |
| ·研究展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78页 |
