| 摘要 | 第1-8页 |
| Abstract | 第8-15页 |
| 第1章 绪论 | 第15-41页 |
| ·研究背景 | 第15-18页 |
| ·流形学习 | 第18-25页 |
| ·张量空间 | 第25-33页 |
| ·张量基础 | 第25-28页 |
| ·张量子空间分析 | 第28-33页 |
| ·通用人脸数据库简介 | 第33-36页 |
| ·AR数据库 | 第33页 |
| ·Georgia Tech人脸数据库 | 第33-34页 |
| ·LFW数据库 | 第34页 |
| ·ORL人脸数据库 | 第34-35页 |
| ·Yale人脸数据库 | 第35页 |
| ·YaleB人脸数据库 | 第35-36页 |
| ·本文的主要工作及结构 | 第36-41页 |
| 第2章 人脸识别的张量判别彩色空间方法 | 第41-61页 |
| ·引言 | 第41-43页 |
| ·彩色图像判别(CID)模型简介 | 第43-45页 |
| ·张量判别彩色空间(TDCS)模型 | 第45-51页 |
| ·算法描述 | 第45-48页 |
| ·TDCS性能分析 | 第48-50页 |
| ·TDCS效率分析 | 第50-51页 |
| ·实验结果和分析 | 第51-57页 |
| ·实验设置 | 第51页 |
| ·收敛性和时间复杂度 | 第51-53页 |
| ·AR人脸数据库上的实验和结果 | 第53-54页 |
| ·Georgia Tech人脸数据库上的实验和结果 | 第54-57页 |
| ·本章小结 | 第57-61页 |
| 第3章 人脸识别的稀疏张量判别彩色空间方法 | 第61-81页 |
| ·引言 | 第61-62页 |
| ·稀疏张量判别彩色空间模型 | 第62-69页 |
| ·实验结果和分析 | 第69-80页 |
| ·实验设置 | 第69页 |
| ·AR人脸数据库上的实验和结果 | 第69-73页 |
| ·Georgia Tech人脸数据库上的实验和结果 | 第73-76页 |
| ·LFW人脸数据库上的实验和结果 | 第76-80页 |
| ·本章小节 | 第80-81页 |
| 第4章 混合张量子空间分析框架 | 第81-95页 |
| ·引言 | 第81-82页 |
| ·混合张量子空间分析框架 | 第82-83页 |
| ·用于人脸识别的混合张量彩色空间模型 | 第83-89页 |
| ·混合张量彩色空间 | 第84-86页 |
| ·实验结果和分析 | 第86-89页 |
| ·用于行为识别的混合判别关联张量分析 | 第89-93页 |
| ·混合判别关联张量分析 | 第89-92页 |
| ·实验结果和分析 | 第92-93页 |
| ·本章小结 | 第93-95页 |
| 第5章 基于二阶张量判别子空间进行人脸识别 | 第95-123页 |
| ·引言 | 第95-97页 |
| ·相关工作 | 第97-102页 |
| ·子空间变换相关定义 | 第98-100页 |
| ·二维判别局部保持投影(2D-DLPP) | 第100-101页 |
| ·张量子空间分析(TSA) | 第101-102页 |
| ·二阶判别张量子空间分析 | 第102-107页 |
| ·问题形式化 | 第102-103页 |
| ·相关定义 | 第103-104页 |
| ·DTSA算法 | 第104-106页 |
| ·特征抽取及分类 | 第106页 |
| ·与2D-DLPP和TSA的联系 | 第106-107页 |
| ·实验结果和分析 | 第107-121页 |
| ·数据库和实验设置 | 第107页 |
| ·子空间变换算法的性质 | 第107-109页 |
| ·最优维度分析 | 第109-110页 |
| ·时间复杂度 | 第110-114页 |
| ·参数t的敏感性 | 第114页 |
| ·DTSA性能分析 | 第114-119页 |
| ·讨论 | 第119-121页 |
| ·本章小结 | 第121-123页 |
| 第6章 基于张量子模式的人脸识别方法 | 第123-143页 |
| ·引言 | 第123-125页 |
| ·基于张量子模式人脸识别的算法 | 第125-135页 |
| ·构造子模式图像 | 第125页 |
| ·基于张量子模式(Sp-Tensor) | 第125-129页 |
| ·基于张量子模式的人脸识别算法 | 第129-131页 |
| ·Sp-Tensor-LV和Sp-Tensor-JS | 第131-135页 |
| ·实验结果和分析 | 第135-141页 |
| ·数据库的实验设置 | 第135页 |
| ·Sp-Tensor和TensorFaces的时间复杂度分析 | 第135-136页 |
| ·比较Sp-Tensor与Sp-PCA、TensorFace的性能 | 第136-138页 |
| ·子模式数和算法性能之间的关系 | 第138-139页 |
| ·识别方法Sp-Tensor-LV和Sp-Tensor-JS和分析 | 第139-141页 |
| ·本章小结 | 第141-143页 |
| 第7章 基于最大离散差的二维局部保持投影方法 | 第143-153页 |
| ·引言 | 第143-144页 |
| ·基于最大离散差的二维局部保持投影 | 第144-147页 |
| ·2D-LPP/MSD和2D-DLPP的关系 | 第147-149页 |
| ·实验结果和分析 | 第149-152页 |
| ·关于参数α的讨论 | 第149页 |
| ·2D-LPP/MSD的列投影和行投影 | 第149-151页 |
| ·2D-LPP,2D-DLPP和2D-LPP/MSD性能上的比较 | 第151-152页 |
| ·本章小结 | 第152-153页 |
| 第8章 一种通用的指数降维框架 | 第153-169页 |
| ·引言 | 第153-154页 |
| ·一种通用的指数降维框架 | 第154-161页 |
| ·矩阵指数 | 第154-156页 |
| ·通用指数框架 | 第156-160页 |
| ·证明 | 第160-161页 |
| ·实验结果和分析 | 第161-167页 |
| ·人工合成数据集 | 第161-163页 |
| ·UCI机器学习数据库 | 第163页 |
| ·Georgia Tech人脸数据库 | 第163-167页 |
| ·本章小结 | 第167-169页 |
| 第9章 总结与展望 | 第169-171页 |
| 参考文献 | 第171-187页 |
| 作者简介 | 第187-191页 |
| 致谢 | 第191页 |
