基于图像纹理特征提取方法的人脸识别
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第12-18页 |
| 1.1 论文的研究背景和意义 | 第12-13页 |
| 1.2 人脸识别技术概述 | 第13-14页 |
| 1.3 纹理特征研究发展与现状 | 第14-16页 |
| 1.4 本文研究内容及结构 | 第16-18页 |
| 2 图像纹理特征提取方法及其分类方法 | 第18-30页 |
| 2.1 统计方法 | 第18-22页 |
| 2.1.1 直方图统计法 | 第18-19页 |
| 2.1.2 灰度共生矩阵 | 第19-21页 |
| 2.1.3 梯度方向直方图 | 第21-22页 |
| 2.2 模型方法 | 第22-23页 |
| 2.2.1 独立自回归模型 | 第22页 |
| 2.2.2 马尔可夫随机场模型 | 第22页 |
| 2.2.3 分形模型 | 第22-23页 |
| 2.3 信号处理方法 | 第23-24页 |
| 2.4 结构方法 | 第24-25页 |
| 2.5 图像的常用识别方法 | 第25-30页 |
| 2.5.1 最近邻分类法 | 第26页 |
| 2.5.2 支持向量机 | 第26-28页 |
| 2.5.3 人工神经网络 | 第28-30页 |
| 3 基于改进的LTP的人脸识别 | 第30-40页 |
| 3.1 LBP与LTP算子 | 第30-34页 |
| 3.1.1 LBP算子及其发展 | 第30-33页 |
| 3.1.2 LTP算子 | 第33-34页 |
| 3.2 自适应阈值加权的LTP特征提取 | 第34-37页 |
| 3.2.1 选取自适应阈值 | 第34页 |
| 3.2.2 基于多尺度像素块加权的特征提取 | 第34-36页 |
| 3.2.3 对提取的特征进行进行PCA降维 | 第36-37页 |
| 3.3 实验与分析 | 第37-40页 |
| 3.3.1 不同分块对实验效果的影响 | 第37-38页 |
| 3.3.2 不同阈值对实验效果的影响 | 第38-40页 |
| 4 融合DCT和改进的LTP特征的人脸识别 | 第40-44页 |
| 4.1 融合DCT和改进的LTP的特征提取 | 第40-42页 |
| 4.1.1 离散余弦变换 | 第40-41页 |
| 4.1.2 DCT特征与LTP特征的融合 | 第41-42页 |
| 4.2 实验与分析 | 第42-44页 |
| 4.2.1 基于不同个数的DCT系数的人脸识别 | 第42页 |
| 4.2.2 融合DCT和改进LTP特征的实验结果 | 第42-44页 |
| 5 总结 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 作者简介 | 第48页 |
