| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第7-17页 |
| 1.1 人脸识别的研究背景和意义 | 第7页 |
| 1.2 人脸识别的研究概述 | 第7-9页 |
| 1.2.1 国内外研究现状 | 第7-8页 |
| 1.2.2 人脸识别研究内容 | 第8-9页 |
| 1.3 人脸识别存在的技术问题以及人脸特征提取方法 | 第9-11页 |
| 1.3.1 人脸识别技术难题 | 第9-10页 |
| 1.3.2 人脸特征提取方法 | 第10-11页 |
| 1.4 常用人脸数据库 | 第11-12页 |
| 1.5 人脸识别系统 | 第12-15页 |
| 1.5.1 人脸识别系统的要求 | 第12-13页 |
| 1.5.2 评估人脸识别系统的标准 | 第13页 |
| 1.5.3 系统的可靠性检验 | 第13-15页 |
| 1.6 论文组织架构 | 第15-17页 |
| 第2章 基于Gabor小波的人脸特征提取算法 | 第17-25页 |
| 2.1 Gabor小波提取人脸特征 | 第17-21页 |
| 2.1.1 Gabor小波变换 | 第17-18页 |
| 2.1.2 Gabor小波优缺点 | 第18-19页 |
| 2.1.3 基于整体Gabor小波的人脸特征提取算法 | 第19-21页 |
| 2.2 基于Gabor子图像的自适应加权特征融合人脸识别 | 第21-23页 |
| 2.3 实验结果分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于局部二值编码技术(Local Binary Pattern,LBP)的人脸特征提取算法 | 第25-36页 |
| 3.1 经典的LBP算子原理及其优势与不足 | 第25-28页 |
| 3.1.1 基本的LBP算子原理 | 第25-26页 |
| 3.1.2 圆形邻域的LBP算子 | 第26-27页 |
| 3.1.3 经典LBP算子优缺点 | 第27-28页 |
| 3.2 改进型LBP算子 | 第28-31页 |
| 3.2.1 中心对称局部二值模式 | 第28-30页 |
| 3.2.2 多级区域局部二值模式 | 第30-31页 |
| 3.3 多级MB-LBP特征融合人脸识别 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于Gabor小波和CS-LBP的自适应人脸识别算法 | 第36-49页 |
| 4.1 基于Gabor小波和CS-LBP的自适应人脸识别算法描述 | 第36-40页 |
| 4.1.1 基于积分投影的人脸图像分块 | 第36-38页 |
| 4.1.2 自适应加权系数的选取 | 第38-39页 |
| 4.1.3 基于Gabor小波和CS-LBP的自适应人脸识别算法(ASLGBP)实现步骤 | 第39-40页 |
| 4.2 支持向量机（Support Vector Machine,SVM） | 第40-44页 |
| 4.2.1 最优分界面 | 第41-42页 |
| 4.2.2 线性支持向量机 | 第42-44页 |
| 4.2.3 非线性支持向量机与核函数 | 第44页 |
| 4.3 实验结果与分析 | 第44-48页 |
| 4.3.1 基于ORL人脸数据库的实验分析 | 第44-45页 |
| 4.3.2 基于FERET人脸数据库的实验分析 | 第45-46页 |
| 4.3.3 不同子图像截取方式的实验分析 | 第46-47页 |
| 4.3.4 不同分类器的实验分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-56页 |
| 附件 | 第56页 |
