| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状概述 | 第12-18页 |
| 1.2.1 人脸识别算法研究历史与现状 | 第13-16页 |
| 1.2.2 人脸识别应用研究历史与现状 | 第16-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第二章 手机人脸识别系统设计 | 第20-32页 |
| 2.1 系统整体设计 | 第21-22页 |
| 2.2 人脸图像采集 | 第22-23页 |
| 2.3 人脸图像预处理 | 第23-31页 |
| 2.3.1 图像几何特征标准化 | 第24-25页 |
| 2.3.2 灰度化处理 | 第25-27页 |
| 2.3.3 降噪滤波 | 第27-30页 |
| 2.3.4 直方图均衡化 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于改进主成分分析的人脸特征提取算法研究 | 第32-49页 |
| 3.1 主成分分析算法 | 第33-38页 |
| 3.1.1 Karhunen-Loève定理 | 第33-35页 |
| 3.1.2 PCA算法 | 第35-38页 |
| 3.2 二维主成分分析算法 | 第38-41页 |
| 3.3 基于F-范数及优化均值的二维主成分分析算法 | 第41-44页 |
| 3.4 实验结果与分析 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于支持向量机的人脸分类算法研究及改进 | 第49-67页 |
| 4.1 支持向量机 | 第50-54页 |
| 4.1.1 线性可分样本 | 第50-52页 |
| 4.1.2 线性不可分样本 | 第52-54页 |
| 4.2 邻近支持向量机 | 第54-59页 |
| 4.2.1 线性可分样本 | 第55-57页 |
| 4.2.2 线性不可分样本 | 第57-59页 |
| 4.3 基于样本选择的邻近支持向量机改进算法 | 第59-63页 |
| 4.3.1 基于中位数的样本选择算法 | 第59-61页 |
| 4.3.2 对邻近支持向量机算法的改进 | 第61-63页 |
| 4.4 实验结果与分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 系统功能实现与测试 | 第67-84页 |
| 5.1 人脸图像采集及预处理模块 | 第69-74页 |
| 5.1.1 获取原始人脸图像 | 第69-70页 |
| 5.1.2 人脸图像标准化 | 第70-74页 |
| 5.2 本地信息库管理模块 | 第74-76页 |
| 5.3 特征提取与降维模块 | 第76-78页 |
| 5.4 分类器模块 | 第78-80页 |
| 5.5 结果处理模块 | 第80-81页 |
| 5.6 整体测试 | 第81-83页 |
| 5.7 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 主要工作及结论 | 第84-85页 |
| 6.2 研究展望 | 第85-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间的研究成果 | 第91页 |