| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 人脸识别的研究背景 | 第10-11页 |
| 1.2 人脸识别的研究意义 | 第11-12页 |
| 1.3 人脸识别发展历程与研究现状 | 第12-17页 |
| 1.4 研究动机 | 第17-18页 |
| 1.5 论文的研究内容和创新点 | 第18-19页 |
| 1.6 论文组织结构 | 第19-22页 |
| 2 特征提取方法分类 | 第22-38页 |
| 2.1 引言 | 第22页 |
| 2.2 手工设计特征 | 第22-25页 |
| 2.2.1 局部二值模式 | 第23页 |
| 2.2.2 尺度不变特征变换 | 第23-25页 |
| 2.2.3 方向梯度直方图特征 | 第25页 |
| 2.3 浅层学习特征 | 第25-31页 |
| 2.3.1 子空间学习 | 第25-26页 |
| 2.3.2 主题模型 | 第26-27页 |
| 2.3.3 稀疏编码 | 第27-29页 |
| 2.3.4 单层感知网络 | 第29-31页 |
| 2.4 深层学习特征 | 第31-34页 |
| 2.4.1 堆栈式网络 | 第31-32页 |
| 2.4.2 卷积神经网络 | 第32-33页 |
| 2.4.3 轻量级特征学习网络 | 第33-34页 |
| 2.5 常用的人脸识别算法评价准则 | 第34-35页 |
| 2.6 经典的人脸数据库 | 第35-37页 |
| 2.7 本章小结 | 第37-38页 |
| 3 多方向局部线形模式联合编码的特征提取方法 | 第38-52页 |
| 3.1 引言 | 第38-39页 |
| 3.2 局部方向模式和线形模式 | 第39-40页 |
| 3.2.1 局部方向模式 | 第39-40页 |
| 3.2.2 局部线形二值模式 | 第40页 |
| 3.3 多方向局部线形模式联合编码(JEMDLBP) | 第40-47页 |
| 3.3.1 局部方向线形模式(DLBP) | 第41-42页 |
| 3.3.2 显著DLBP模式统计 | 第42-43页 |
| 3.3.3 多方向联合编码 | 第43-44页 |
| 3.3.4 联合编码的有效性 | 第44-46页 |
| 3.3.5 方法描述 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-51页 |
| 3.4.1 统一参数设置 | 第47页 |
| 3.4.2 人脸识别结果与分析 | 第47-49页 |
| 3.4.3 人脸验证结果与分析 | 第49-50页 |
| 3.4.4 人脸表情识别结果与分析 | 第50页 |
| 3.4.5 特征提取效率对比分析 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 判别概率潜在语义分析的特征学习方法 | 第52-74页 |
| 4.1 引言 | 第52-53页 |
| 4.2 概率潜在语义分析(PLSA) | 第53-54页 |
| 4.3 PLSA模型存在的缺陷分析 | 第54-56页 |
| 4.4 判别概率潜在语义分析(DPLSA) | 第56-64页 |
| 4.4.1 共生矩阵构建 | 第57-59页 |
| 4.4.2 语义特征学习 | 第59-60页 |
| 4.4.3 P(z|d)判别性的数学分析和可视化 | 第60-64页 |
| 4.4.4 DpLSA模型与pLSA模型的识别率对比 | 第64页 |
| 4.5 实验结果与分析 | 第64-72页 |
| 4.5.1 统一参数设置 | 第65页 |
| 4.5.2 人脸识别结果与分析 | 第65-70页 |
| 4.5.3 同BoW-SVM的区别与对比 | 第70-72页 |
| 4.5.4 底层描述子对DpLSA识别率的影响 | 第72页 |
| 4.6 本章小结 | 第72-74页 |
| 5 级联K-MEANS卷积网络的特征学习方法 | 第74-92页 |
| 5.1 引言 | 第74-75页 |
| 5.2 轻量级特征学习网络PCANET | 第75-77页 |
| 5.3 级联K-MEANS卷积网络(CKCFL) | 第77-82页 |
| 5.3.1 级联卷积滤波器学习层 | 第78-80页 |
| 5.3.2 非线性特征变换层 | 第80页 |
| 5.3.3 空间金字塔二阶池化 | 第80-82页 |
| 5.3.4 同CNN、PCANet等方法的联系与区别 | 第82页 |
| 5.4 CKCFL网络性能评估 | 第82-86页 |
| 5.4.1 滤波器学习算法的影响 | 第82-83页 |
| 5.4.2 卷积阶段数的影响 | 第83页 |
| 5.4.3 金字塔级数的影响 | 第83-84页 |
| 5.4.4 非线性变换函数的影响 | 第84-85页 |
| 5.4.5 池化方法的影响 | 第85-86页 |
| 5.5 实验结果与分析 | 第86-91页 |
| 5.5.1 人脸识别结果与分析 | 第86-90页 |
| 5.5.2 人脸验证结果与分析 | 第90-91页 |
| 5.6 本章小结 | 第91-92页 |
| 6 本文三种人脸特征提取方法综合对比实验 | 第92-98页 |
| 6.1 学习特征的优势 | 第92-95页 |
| 6.1.1 CAS-PEAL-R1数据库上的对比 | 第92-95页 |
| 6.1.2 ExtendedYaleB数据库上的对比 | 第95页 |
| 6.2 手工设计特征的优势 | 第95-96页 |
| 6.2.1 YaleA数据库上的对比 | 第95-96页 |
| 6.3 本章小结 | 第96-98页 |
| 7 总结与展望 | 第98-102页 |
| 7.1 全文总结 | 第98-99页 |
| 7.2 工作展望 | 第99-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-118页 |
| 附录 | 第118页 |
| A.作者在攻读博士学位期间发表及完成论文 | 第118页 |
| B.作者在攻读博士学位期间参加科研项目情况 | 第118页 |
