复杂情况的人脸识别算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1. 绪论 | 第7-19页 |
| ·研究背景及意义 | 第7-9页 |
| ·人脸识别技术的特点 | 第7页 |
| ·应用领域 | 第7-8页 |
| ·人脸识别的困难性 | 第8-9页 |
| ·人脸识别的研究现状 | 第9-17页 |
| ·国内外研究状况 | 第9-10页 |
| ·人脸检测方法概述 | 第10-12页 |
| ·人脸识别方法概述 | 第12-14页 |
| ·光照、姿态等问题的研究 | 第14-17页 |
| ·论文的内容及组织 | 第17-19页 |
| 2. 基于AdaBoost算法的人脸检测 | 第19-33页 |
| ·集成机器学习方法 | 第19页 |
| ·弱学习与强学习 | 第19页 |
| ·集成方式 | 第19页 |
| ·AdaBoost人脸检测方法 | 第19-25页 |
| ·Haar-like特征及特征值计算 | 第20-21页 |
| ·积分图 | 第21-22页 |
| ·AdaBoost算法原理 | 第22-23页 |
| ·级联分类器构造 | 第23-25页 |
| ·实验结果与分析 | 第25-33页 |
| ·分类器训练 | 第25-28页 |
| ·测试结果 | 第28-31页 |
| ·小结 | 第31-33页 |
| 3. 基于小波变换与KPCA的人脸特征提取 | 第33-43页 |
| ·小波变换 | 第33-37页 |
| ·连续小波变换 | 第33-34页 |
| ·离散小波变换 | 第34页 |
| ·二维离散小波变换 | 第34-36页 |
| ·提升小波变换 | 第36页 |
| ·小波变换图 | 第36-37页 |
| ·基于核的主成分分析方法 | 第37-41页 |
| ·主成分分析 | 第37-38页 |
| ·核方法简介 | 第38-39页 |
| ·核主成分分析 | 第39-41页 |
| ·算法实现 | 第41-43页 |
| ·核主成分分析算法的实现步骤 | 第41页 |
| ·基于整体小波变换与KPCA特征提取方法 | 第41-42页 |
| ·基于分块小波变换与KPCA特征提取方法 | 第42-43页 |
| 4. 支持向量机 | 第43-49页 |
| ·线性可分情况 | 第43-44页 |
| ·广义最优分类超平面 | 第44-45页 |
| ·线性不可分情况 | 第45-46页 |
| ·SVM训练 | 第46-49页 |
| 5. 算法结果分析 | 第49-53页 |
| ·基于整体小波变换与KPCA特征提取识别方法 | 第49-50页 |
| ·基于分块小波变换与KPCA特征提取识别方法 | 第50-52页 |
| ·小结 | 第52-53页 |
| 6. 人脸识别软件系统 | 第53-57页 |
| 7. 总结与展望 | 第57-59页 |
| ·研究工作总结 | 第57页 |
| ·工作展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 在校学习期间发表论文 | 第65页 |
