| 摘要 | 第1-13页 |
| ABSTRACT | 第13-17页 |
| 符号说明 | 第17-19页 |
| 缩略语简表 | 第19-20页 |
| 第一章 绪论 | 第20-39页 |
| ·生物特征识别的意义和分类 | 第20页 |
| ·常用的生物特征技术简介 | 第20-22页 |
| ·人脸识别的意义和研究内容 | 第22-23页 |
| ·人脸识别技术的发展与应用现状 | 第23-34页 |
| ·人脸识别的发展历程 | 第23页 |
| ·人脸识别算法简介 | 第23-33页 |
| ·人脸识别应用现状 | 第33-34页 |
| ·人脸识别技术中的关键问题 | 第34-35页 |
| ·人脸识别常用的人脸数据库简介 | 第35-37页 |
| ·论文主要研究内容和安排 | 第37页 |
| ·本章小结 | 第37-39页 |
| 第二章 基于稀疏表示的人脸识别算法 | 第39-67页 |
| ·稀疏表示模型 | 第39-45页 |
| ·稀疏分解算法 | 第40-43页 |
| ·超完备字典的构造方法 | 第43-45页 |
| ·稀疏表示理论在人脸识别中的应用 | 第45-52页 |
| ·人脸识别中冗余字典的构造 | 第47-50页 |
| ·人脸识别中稀疏表示矢量的求解算法 | 第50-52页 |
| ·基于位平面图像协作表示分类投票的人脸识别算法 | 第52-66页 |
| ·位平面图像分解 | 第52-53页 |
| ·图像的直方图均衡 | 第53-55页 |
| ·位平面图像的分类性能 | 第55-58页 |
| ·投票决策原理 | 第58-62页 |
| ·基于位平面图像协作表示分类投票算法及其实验结果 | 第62-66页 |
| ·本章小结 | 第66-67页 |
| 第三章 基于局部构造模式近邻样本协作表示的人脸识别算法 | 第67-108页 |
| ·局部构造模式 | 第67-75页 |
| ·局部二值模式 | 第67-73页 |
| ·局部构造模式 | 第73-75页 |
| ·LCP特征图像的相似性 | 第75-81页 |
| ·基于归一化直方图的局部结构特征相似性 | 第75-77页 |
| ·基于比例直方图的局部结构特征相似性 | 第77-81页 |
| ·基于MiC特征的相似性 | 第81页 |
| ·基于LCP近邻样本协作表示的人脸识别算法 | 第81-106页 |
| ·LCP特征提取 | 第82-84页 |
| ·LCP特征的合法阈值与近邻阈值 | 第84-98页 |
| ·测试样本的合法性判断与近邻样本选择 | 第98-102页 |
| ·近邻样本协作表示的人脸识别算法 | 第102-106页 |
| ·本章小结 | 第106-108页 |
| 第四章 采用Gabor近邻和压缩感知降维的稀疏表示人脸识别算法 | 第108-133页 |
| ·压缩感知理论 | 第109-113页 |
| ·表示矩阵Ψ的构造方法 | 第111页 |
| ·感知矩阵Φ的选择 | 第111-112页 |
| ·重构算法 | 第112-113页 |
| ·压缩感知理论在人脸识别中的应用 | 第113-118页 |
| ·表示矩阵的构造 | 第113页 |
| ·感知矩阵的选择 | 第113-114页 |
| ·稀疏系数矢量求解算法 | 第114-115页 |
| ·测试图像分类 | 第115-117页 |
| ·实验结果 | 第117-118页 |
| ·采用Gabor近邻和压缩感知降维的稀疏表示人脸识别算法 | 第118-132页 |
| ·图像的Gabor特征 | 第118-122页 |
| ·近邻样本的选择 | 第122-123页 |
| ·基于近邻样本压缩感知的识别算法 | 第123-129页 |
| ·算法识别结果和分析 | 第129-132页 |
| ·本章小结 | 第132-133页 |
| 第五章 总结和展望 | 第133-139页 |
| ·总结 | 第133-135页 |
| ·展望 | 第135-139页 |
| ·深度学习在人脸识别中的应用 | 第135-138页 |
| ·高光谱图像在人脸识别中的应用 | 第138-139页 |
| 参考文献 | 第139-148页 |
| 致谢 | 第148-149页 |
| 攻读学位期间发表的学术论文 | 第149-150页 |
| 附件：外文论文两篇 | 第150-176页 |
| 学位论文评阅及答辩情况表 | 第176页 |
