| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| ·人脸识别研究的重要意义 | 第9-10页 |
| ·人脸识别研究的主要内容和挑战 | 第10-12页 |
| ·目前人脸识别研究的主要方法 | 第12-13页 |
| ·本文的研究内容和安排 | 第13-14页 |
| 2 基于GSLPP的人脸特征提取方法 | 第14-24页 |
| ·引言 | 第14-15页 |
| ·人脸图像的Gabor小波表示 | 第15-20页 |
| ·Gabor小波 | 第15-17页 |
| ·人脸图像的小波变换 | 第17-20页 |
| ·基于SLPP的特征提取方法研究 | 第20-23页 |
| ·局部保持投影(LPP) | 第20-21页 |
| ·有监督的局部保持投影(SLPP) | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 3 人脸识别的多分类器融合方法 | 第24-53页 |
| ·引言 | 第24页 |
| ·最近邻特征线分类器 | 第24-26页 |
| ·特征线距离 | 第25-26页 |
| ·基于最近邻特征线的分类 | 第26页 |
| ·统计学习理论 | 第26-31页 |
| ·经验风险最小化原则及其不足 | 第27-29页 |
| ·统计学习理论的主要思想 | 第29-31页 |
| ·支持向量机(SVM)算法 | 第31-47页 |
| ·线性支持向量机 | 第32-35页 |
| ·最优分类面 | 第32-34页 |
| ·广义最优分类面 | 第34-35页 |
| ·非线性支持向量机 | 第35-38页 |
| ·核函数方法 | 第38-42页 |
| ·模式可分性的Cover定理 | 第38页 |
| ·核函数 | 第38-39页 |
| ·内积核 | 第39-40页 |
| ·Mercer定理 | 第40-41页 |
| ·SVM中的核函数类型 | 第41-42页 |
| ·改进的核函数算法 | 第42-47页 |
| ·用于多类别分类的支持向量机分类器设计 | 第47-50页 |
| ·“一对一”策略 | 第47-48页 |
| ·“一对多”策略 | 第48页 |
| ·有向无环图SVM分类(DAGSVM) | 第48-49页 |
| ·SVM决策树方法 | 第49-50页 |
| ·基于二级融合的分类器设计 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 4 人脸识别实验过程与结果分析 | 第53-67页 |
| ·引言 | 第53页 |
| ·人脸库选择 | 第53-59页 |
| ·FERET人脸图像库 | 第53-57页 |
| ·JDL-A人脸数据库 | 第57-59页 |
| ·人脸图像预处理 | 第59-61页 |
| ·基于GSLPP算法和多分类器融合的人脸识别实验过程 | 第61-63页 |
| ·实验结果与分析 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| ·总结 | 第67页 |
| ·进一步的研究工作 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文目录 | 第74-75页 |
| 致谢 | 第75-77页 |