| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-18页 |
| 1.1 课题研究背景与意义 | 第9-11页 |
| 1.2 人脸识别的研究历史 | 第11页 |
| 1.3 国内外研究现况 | 第11-15页 |
| 1.3.1 基于几何特征的人脸识别方法 | 第12页 |
| 1.3.2 基于线性投影识别方法 | 第12-13页 |
| 1.3.3 基于人工神经网络人脸识别 | 第13-14页 |
| 1.3.4 基于核的人脸识别方法 | 第14页 |
| 1.3.5 基于流形学习的人脸识别方法 | 第14-15页 |
| 1.4 稀疏表示人脸识别方法 | 第15-16页 |
| 1.5 人脸识别基本流程 | 第16页 |
| 1.6 本文主要内容 | 第16-18页 |
| 2 线性投影特征提取法及图嵌入模型 | 第18-27页 |
| 2.1 线性投影特征提取法 | 第18页 |
| 2.2 主成份分析法(PCA) | 第18-19页 |
| 2.3 线性判别分析(LDA) | 第19-21页 |
| 2.4 局部保留投影(LPP) | 第21-22页 |
| 2.5 基于图嵌入的降维模型 | 第22-25页 |
| 2.5.1 图嵌入模型 | 第22-24页 |
| 2.5.2 图的构造方法 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 3 有监督判别稀疏保留投影 | 第27-39页 |
| 3.1 稀疏表示人脸识别算法 | 第27-29页 |
| 3.1.1 稀疏表示理论的数学模型 | 第27-28页 |
| 3.1.2 基于稀疏表示的人脸识别算法 | 第28-29页 |
| 3.2 稀疏保留投影 | 第29-31页 |
| 3.3 有监督判别稀疏保留投影 | 第31-37页 |
| 3.3.1 提出SDSPP的依据 | 第31-33页 |
| 3.3.2 SDSPP算法的描述 | 第33-37页 |
| 3.4 加权SDSPP算法(WSDSPP) | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 二维有监督判别稀疏保留投影 | 第39-44页 |
| 4.1 二维特征提取算法 | 第39-42页 |
| 4.1.1 二维主成份分析(2DPCA) | 第39-40页 |
| 4.1.2 二维稀疏保留投影(2DSPP) | 第40页 |
| 4.1.3 二维稀疏重建矩阵与一维稀疏重建矩阵等价性证明 | 第40-42页 |
| 4.2 二维有监督判别稀疏保留投影 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 5 实验及结果分析 | 第44-54页 |
| 5.1 ORL人脸库上的实验 | 第44-47页 |
| 5.1.1 ORL人脸库的介绍 | 第44页 |
| 5.1.2 ORL人脸库上的实验结果及分析 | 第44-47页 |
| 5.2 Yale_B人脸库上的实验 | 第47-50页 |
| 5.2.1 Yale_B人脸库的介绍 | 第47页 |
| 5.2.2 Yale_B人脸库上的实验结果及分析 | 第47-50页 |
| 5.3 AR人脸库的实验 | 第50-53页 |
| 5.3.1 AR人脸库的介绍 | 第50页 |
| 5.3.2 AR人脸库上的实验结果及分析 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间的成果 | 第61-62页 |
| 致谢 | 第62页 |