基于稀疏表示和机器学习的人脸识别系统研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人脸识别概述 | 第11-14页 |
| 1.2.1 人脸识别的应用 | 第11-12页 |
| 1.2.2 国内外研究现状 | 第12-13页 |
| 1.2.3 存在的问题 | 第13-14页 |
| 1.3 本文研究内容和组织结构 | 第14-16页 |
| 第2章 基于稀疏表示的分类器 | 第16-28页 |
| 2.1 稀疏表示 | 第16-22页 |
| 2.1.1 信号的稀疏表示 | 第16-17页 |
| 2.1.2 最小化1范数的稀疏解 | 第17-18页 |
| 2.1.3 最小化0范数的稀疏解 | 第18-20页 |
| 2.1.4 字典训练 | 第20-22页 |
| 2.2 基于稀疏表示的分类器 | 第22-25页 |
| 2.2.1 稀疏表示人脸识别 | 第22-23页 |
| 2.2.2 基于稀疏表示的分类器算法 | 第23-24页 |
| 2.2.3 SRC算法描述 | 第24-25页 |
| 2.3 SRC分类器实验 | 第25-26页 |
| 2.3.1 ORL人脸数据库 | 第25页 |
| 2.3.2 实验说明 | 第25-26页 |
| 2.3.3 实验内容 | 第26页 |
| 2.4 实验结果及分析 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 人脸面部特征的选取 | 第28-39页 |
| 3.1 人脸特征提取方法 | 第28-30页 |
| 3.1.1 全局特征和局部特征 | 第28页 |
| 3.1.2 线性与非线性 | 第28-29页 |
| 3.1.3 监督与非监督 | 第29-30页 |
| 3.2 传统特征提取方法 | 第30-31页 |
| 3.2.1 主成分分析 | 第30页 |
| 3.2.2 线性判别分析 | 第30页 |
| 3.2.3 核主成分分析 | 第30-31页 |
| 3.3 对特征提取结合SRC分类器建模 | 第31-32页 |
| 3.4 基于机器学习的特征提取 | 第32-36页 |
| 3.4.1 自编码器 | 第32-33页 |
| 3.4.2 卷积自编码器 | 第33-35页 |
| 3.4.3 池化 | 第35页 |
| 3.4.4 卷积自编码器中的数学计算 | 第35-36页 |
| 3.5 卷积自编码器实验 | 第36-37页 |
| 3.5.1 DEEP LEARN TOOLBOX | 第36页 |
| 3.5.2 MINST数据库 | 第36页 |
| 3.5.3 实验内容 | 第36-37页 |
| 3.6 实验结果及分析 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第四章 级联的卷积自编码器 | 第39-45页 |
| 4.1 深度学习 | 第39-41页 |
| 4.1.1 深度学习概述 | 第39页 |
| 4.1.2 面临的问题 | 第39-40页 |
| 4.1.3 基本思想 | 第40页 |
| 4.1.4 深度学习训练过程 | 第40-41页 |
| 4.2 级联卷积自编码器 | 第41页 |
| 4.3 级联卷积自编码器实验 | 第41-43页 |
| 4.3.1 THEANO库 | 第41-42页 |
| 4.3.2 LFW人脸数据库 | 第42页 |
| 4.3.3 算法描述 | 第42-43页 |
| 4.3.4 实验内容 | 第43页 |
| 4.4 实验结果及分析 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于稀疏表示与机器学习的人脸识别系统 | 第45-52页 |
| 5.1 系统设计 | 第45-47页 |
| 5.1.1 特征提取部分 | 第45-46页 |
| 5.1.2 识别部分 | 第46页 |
| 5.1.3 设计总体框架 | 第46-47页 |
| 5.2 系统流程及步骤 | 第47-48页 |
| 5.3 实验设计与说明 | 第48-49页 |
| 5.4 实验结果与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考 文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间参加的科研项目和成果 | 第58页 |
