| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 本文研究意义 | 第10-11页 |
| 1.2 图像识别研究现状 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 2 一种用于稀疏表示分类器的稀疏嵌入投影方法 | 第16-30页 |
| 2.1 算法相关背景 | 第16-17页 |
| 2.2 稀疏表示分类算法 | 第17-18页 |
| 2.3 稀疏嵌入投影算法 | 第18-22页 |
| 2.3.1 SEP算法构想 | 第19-21页 |
| 2.3.2 SEP最优化过程 | 第21-22页 |
| 2.4 实验 | 第22-29页 |
| 2.4.1 数据库介绍 | 第23-24页 |
| 2.4.2 没有噪声污染和遮挡时的图像识别 | 第24-25页 |
| 2.4.3 存在像素污染时的图像识别 | 第25-26页 |
| 2.4.4 存在遮挡时的图像识别 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于低秩稀疏表示的图像识别方法 | 第30-42页 |
| 3.1 低秩表示算法 | 第30-31页 |
| 3.2 基于低秩稀疏表示分类器的图像识别算法 | 第31-34页 |
| 3.2.1 低秩稀疏表示 | 第31-32页 |
| 3.2.2 最优化问题求解 | 第32-34页 |
| 3.3 实验 | 第34-40页 |
| 3.3.1 在Extended Yale B数据库上的图像识别 | 第35-36页 |
| 3.3.2 在CMU PIE数据库上的图像识别 | 第36-38页 |
| 3.3.3 在AR数据库上的图像识别 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 一种自适应局部约束正则化鲁棒编码图像识别方法 | 第42-56页 |
| 4.1 算法提出背景 | 第42-44页 |
| 4.2 正则化鲁棒编码算法 | 第44-46页 |
| 4.3 自适应局部约束正则化鲁棒编码模型 | 第46-47页 |
| 4.4 ALRRC最优化过程 | 第47-49页 |
| 4.5 实验 | 第49-55页 |
| 4.5.1 没有噪声污染和遮挡时的图像识别 | 第50-52页 |
| 4.5.2 存在像素污染时的图像识别 | 第52-53页 |
| 4.5.3 存在遮挡时的图像识别 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间取得的研究成果 | 第66-68页 |