基于奇异值分解和神经网络的人脸识别方法的研究
| 独创性声明 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-23页 |
| 1．1 人脸识别的研究意义 | 第12-13页 |
| 1．2 人脸识别的研究状况和进展 | 第13-21页 |
| 1．2．1 人脸检测方法综述 | 第13-16页 |
| 1．2．2 人脸特征提取和识别方法综述 | 第16-21页 |
| 1．3 论文主要工作和各部分内容 | 第21-23页 |
| 第二章 人脸图像预处理 | 第23-44页 |
| 2．1 引言 | 第23页 |
| 2．2 数字图像与图像处理 | 第23-27页 |
| 2．2．1 数字图像相关概念 | 第23-24页 |
| 2．2．2 图像的获取、显示与表示 | 第24-27页 |
| 2．3 人脸图像的灰度表示 | 第27-28页 |
| 2．4 人脸图像的平滑及消除噪声 | 第28-29页 |
| 2．5 人脸边缘检测 | 第29-33页 |
| 2．5．1 人脸边缘检测 | 第29-31页 |
| 2．5．2 人脸图像的二值化 | 第31-33页 |
| 2．6 人脸图像的分割 | 第33-36页 |
| 2．6．1 基于积分投影原理的人脸轮廓的确定 | 第33-36页 |
| 2．6．2 人脸的分割 | 第36页 |
| 2．7 人脸图像的归一化 | 第36-38页 |
| 2．7．1 尺寸归一化 | 第36-37页 |
| 2．7．2 灰度归一化 | 第37-38页 |
| 2．8 人脸图像压缩 | 第38-42页 |
| 2．8．1 小波变换 | 第38-41页 |
| 2．8．2 人脸图像小波压缩 | 第41-42页 |
| 2．9 小结 | 第42-44页 |
| 第三章 人脸图像的特征提取 | 第44-53页 |
| 3．1 引言 | 第44-45页 |
| 3．2 特征提取 | 第45-47页 |
| 3．3 基于奇异值的特征提取 | 第47-51页 |
| 3．3．1 奇异值的定理 | 第47-48页 |
| 3．3．2 奇异值降维压缩 | 第48-50页 |
| 3．3．3 奇异值矢量标准化 | 第50页 |
| 3．3．4 奇异值矢量排序 | 第50-51页 |
| 3．4 人脸特征提取的算法实现 | 第51-52页 |
| 3．5 小结 | 第52-53页 |
| 第四章 人工神经网络分类器的设计 | 第53-72页 |
| 4．1 引言 | 第53-58页 |
| 4．1．1 神经网络在人脸识别方面的发展概况 | 第55-56页 |
| 4．1．2 神经网络的结构及类型 | 第56页 |
| 4．1．3 神经网络的学习法则 | 第56页 |
| 4．1．4 神经网络的应用 | 第56-58页 |
| 4．2 误差逆传播算法(BP算法) | 第58-67页 |
| 4．2．1 BP网络传递函数与学习公式 | 第59-65页 |
| 4．2．2 BP网络的训练 | 第65-66页 |
| 4．2．3 BP算法的改进 | 第66-67页 |
| 4．3 BP网络用于人脸识别 | 第67-70页 |
| 4．4 人脸匹配 | 第70-71页 |
| 4．5 小结 | 第71-72页 |
| 第五章 实验结果与讨论 | 第72-82页 |
| 5．1 人脸样本库的建立 | 第72-73页 |
| 5．2 系统的组成和实验环境 | 第73-76页 |
| 5．3 人脸定位结果分析 | 第76-78页 |
| 5．4 人脸特征提取与识别算法实现 | 第78-82页 |
| 第六章 结论与展望 | 第82-84页 |
| 6．1 全文工作总结 | 第82页 |
| 6．2 结论 | 第82-83页 |
| 6．3 今后研究展望 | 第83-84页 |
| 参考文献 | 第84-91页 |
| 相关的网络资源 | 第91-92页 |
| 致谢 | 第92页 |
