| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-15页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·人脸识别技术的研究现状及主要困难 | 第10-11页 |
| ·人脸识别的研究现状 | 第10页 |
| ·人脸识别的研究内容 | 第10页 |
| ·人脸识别的主要困难 | 第10-11页 |
| ·人脸识别的研究方法 | 第11-13页 |
| ·基于几何特征的方法 | 第11页 |
| ·基于统计特征的方法 | 第11-12页 |
| ·基于机器学习的方法 | 第12-13页 |
| ·其它方法 | 第13页 |
| ·本文的工作及论文组织结构 | 第13-15页 |
| 2 人脸图像预处理 | 第15-26页 |
| ·人脸图像的灰度化 | 第15-16页 |
| ·人脸图像的灰度规范化 | 第16-18页 |
| ·图像平滑 | 第16页 |
| ·直方图均衡化 | 第16-17页 |
| ·灰度归一化 | 第17-18页 |
| ·人眼定位 | 第18-23页 |
| ·基于积分投影的人脸眉眼区域定位 | 第19-20页 |
| ·基于混合投影峰分析的人眼精确定位 | 第20-22页 |
| ·实验结果与分析 | 第22-23页 |
| ·人脸图像的几何规范化 | 第23-25页 |
| ·几何归一化 | 第24页 |
| ·灰度级插值 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于线性子空间的人脸特征提取方法 | 第26-36页 |
| ·基于主成分分析的特征提取方法 | 第26-30页 |
| ·主成分分析(PCA) | 第26-27页 |
| ·二维主成分分析(2DPCA) | 第27-28页 |
| ·实验结果与分析 | 第28-30页 |
| ·基于线性判别分析的特征提取方法 | 第30-35页 |
| ·LDA 算法原理 | 第30-31页 |
| ·Fisher 判别分析(FDA) | 第31-32页 |
| ·零空间线性判别分析(NS-LDA) | 第32-33页 |
| ·零空间Fisher 判别分析(NS-FDA) | 第33页 |
| ·实验结果与分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于核方法的人脸特征提取 | 第36-47页 |
| ·核方法基本概念 | 第36-37页 |
| ·核映射与核空间 | 第36页 |
| ·内积与核函数 | 第36-37页 |
| ·核矩阵 | 第37页 |
| ·基于核主成分分析的人脸特征提取方法 | 第37-39页 |
| ·基于核判别分析的人脸特征提取方法 | 第39-43页 |
| ·核判别分析(KDA) | 第39-41页 |
| ·KDA 的改进算法 | 第41-43页 |
| ·实验结果与分析 | 第43-46页 |
| ·KPCA、NS-KDA、NS-KFDA 的核函数及参数选择 | 第43-44页 |
| ·KPCA 与NS-KDA、NS-KFDA 的比较研究 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 5 基于特征融合与选择的人脸识别方法 | 第47-61页 |
| ·人脸特征融合 | 第47-49页 |
| ·特征融合的意义 | 第47页 |
| ·特征融合方式 | 第47-49页 |
| ·基于KPCA 和NS-KFDA 特征融合的人脸识别方法 | 第49-53页 |
| ·方法一:串行融合 | 第50页 |
| ·方法二:并行融合 | 第50页 |
| ·实验结果与分析 | 第50-53页 |
| ·人脸特征选择 | 第53-54页 |
| ·人脸特征冗余问题 | 第53页 |
| ·特征选择 | 第53-54页 |
| ·基于粒子群算法的人脸特征选择 | 第54-60页 |
| ·标准PSO 算法的基本原理 | 第54-55页 |
| ·离散二进制PSO 算法原理 | 第55-56页 |
| ·基于BPSO 特征选择的KPCA 人脸识算法 | 第56-58页 |
| ·实验结果及分析 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 6 结论 | 第61-62页 |
| ·本文工作总结 | 第61页 |
| ·展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
