| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-12页 |
| 1 绪论 | 第12-20页 |
| ·课题背景、意义以及人脸识别的发展 | 第12-13页 |
| ·人脸检测与识别的研究现状分析 | 第13-18页 |
| ·人脸检测 | 第13-15页 |
| ·特征抽取 | 第15-17页 |
| ·识别方法 | 第17-18页 |
| ·本文研究工作概述 | 第18-19页 |
| ·本文的内容安排 | 第19-20页 |
| 2 图象代数特征抽取方法 | 第20-33页 |
| ·引言 | 第20-21页 |
| ·利用子空间方法求解最优鉴别矢量集 | 第21-24页 |
| ·Foley-Sammon最优鉴别准则 | 第21-22页 |
| ·求解最优鉴别矢量集的子空间方法 | 第22-24页 |
| ·Liu广义最优鉴别矢量集 | 第24-27页 |
| ·Liu广义最优鉴别变换 | 第24-26页 |
| ·算法 | 第26-27页 |
| ·Guo广义最优鉴别矢量集迭代算法 | 第27-33页 |
| ·Guo广义最优鉴别准则 | 第27-28页 |
| ·Guo广义最优鉴别矢量集迭代算法 | 第28-30页 |
| ·对Guo广义最优鉴别矢量集迭代算法的分析 | 第30-33页 |
| 3 统计不相关与广义统计不相关最优鉴别矢量集新算法 | 第33-44页 |
| ·统计不相关最优鉴别矢量集 | 第33-34页 |
| ·一种新的统计不相关最优鉴别矢量集算法 | 第34-35页 |
| ·广义统计不相关最优鉴别矢量集算法 | 第35-39页 |
| ·人脸识别实验与结果分析 | 第39-43页 |
| ·统计不相关最优鉴别矢量集算法的性能 | 第39-41页 |
| ·广义统计不相关最优鉴别矢量集算法的性能 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于最优鉴别分析的特征抽取新方法 | 第44-60页 |
| ·一种基于谱分解的F-S最优鉴别矢量集新算法 | 第44-48页 |
| ·Chen的F-S最优鉴别矢量集算法 | 第44页 |
| ·F-S最优鉴别矢量集新算法 | 第44-46页 |
| ·实验与结果分析 | 第46-48页 |
| ·改进的基于SVD的最佳鉴别矢量集求解算法 | 第48-55页 |
| ·图象奇异值特征的局限性 | 第48-50页 |
| ·改进的基于SVD的人脸图象特征抽取新算法 | 第50-51页 |
| ·实验结果与分析 | 第51-55页 |
| ·非线性最佳鉴别矢量集方法 | 第55-59页 |
| ·基于核函数的最佳鉴别分析方法 | 第55-57页 |
| ·实验结果 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 5 广义最佳鉴别矢量集的新算法 | 第60-79页 |
| ·引言 | 第60页 |
| ·理论基础 | 第60-64页 |
| ·求解广义最优鉴别矢量集的解析算法 | 第64-66页 |
| ·广义K-L变换 | 第66-67页 |
| ·广义最优鉴别变换与广义K-L变换之间的关系 | 第67-68页 |
| ·基于广义K-L变换的广义最优鉴别矢量集算法 | 第68-70页 |
| ·实验结果 | 第70-73页 |
| ·新散布矩阵表示方法及其在广义最优鉴别分析中的应用 | 第73-78页 |
| ·本章小结 | 第78-79页 |
| 6 频域上的人脸图象代数特征抽取方法研究 | 第79-85页 |
| ·引言 | 第79页 |
| ·小波变换、多分辨率分析、小波包和人脸的频谱特征 | 第79-82页 |
| ·基于频谱特征的广义最优鉴别分析方案与实验结果 | 第82-84页 |
| ·本章小结 | 第84-85页 |
| 7 图象分类器设计方法研究 | 第85-108页 |
| ·基于广义逆的分类器设计方法及实验研究 | 第85-87页 |
| ·基于概率推理模型(PRM)的分类器设计 | 第87-91页 |
| ·基于概率推理模型(PRM)的分类器的实现算法 | 第87-91页 |
| ·基于PRM的分类器实验 | 第91页 |
| ·模糊自适应聚类网络算法研究 | 第91-97页 |
| ·引言 | 第91-92页 |
| ·模糊C均值(FCM)与自适应聚类网络 | 第92-94页 |
| ·模糊自适应聚类网络 | 第94-97页 |
| ·实验结果与分析 | 第97页 |
| ·基于模糊神经网络的分类器设计 | 第97-103页 |
| ·引言 | 第97-98页 |
| ·后件为实数的模糊神经网络 | 第98-102页 |
| ·实验结果 | 第102-103页 |
| ·多特征多分类器组合实验研究 | 第103-106页 |
| ·单特征单分类器实验研究 | 第103-104页 |
| ·多特征单分类器实验研究 | 第104-105页 |
| ·单特征多分类器实验研究 | 第105-106页 |
| ·多特征多分类器实验研究 | 第106页 |
| ·本章小结 | 第106-108页 |
| 8 只要一个训练样本就能解决人脸识别 | 第108-119页 |
| ·特征矩阵与维数压缩 | 第108-110页 |
| ·基于特征矩阵和Fisher最优鉴别分析的维数压缩 | 第108-109页 |
| ·基于广义最优鉴别分析的特征抽取 | 第109-110页 |
| ·特征矩阵的重要性质 | 第110-112页 |
| ·实验结果与分析 | 第112-118页 |
| ·ORL上的实验结果 | 第112-114页 |
| ·Yale大学图象库上的实验结果 | 第114-117页 |
| ·NUSTFDB Ⅱ上的实验结果 | 第117页 |
| ·在ORL+Yale人脸图象库上的实验结果 | 第117-118页 |
| ·本章小结 | 第118-119页 |
| 结束语 | 第119-120页 |
| 致谢 | 第120-122页 |
| 参考文献 | 第122-131页 |
| 附录 | 第131-132页 |
