摘要 | 第1-7页 |
Abstract | 第7-10页 |
目录 | 第10-13页 |
1 绪论 | 第13-27页 |
·人脸识别的研究背景及研究意义 | 第13-14页 |
·人脸识别的研究现状及存在问题 | 第14-17页 |
·研究现状 | 第14-16页 |
·存在问题 | 第16-17页 |
·人脸识别中光照问题的研究现状 | 第17-20页 |
·光照规整化方法 | 第17页 |
·光照不变量提取方法 | 第17-18页 |
·光照变化模型方法 | 第18-19页 |
·3D变形模型法 | 第19-20页 |
·公认的光照测试人脸库 | 第20-24页 |
·Yale B人脸库 | 第20-22页 |
·Extended Yale B人脸库 | 第22-23页 |
·CMU PIE入脸库 | 第23-24页 |
·本文的研究内容及创新 | 第24-26页 |
·研究内容 | 第24-25页 |
·创新 | 第25-26页 |
·本文后续章节安排 | 第26-27页 |
2 基于双边滤波和人类视网膜模型的光照不变量提取算法 | 第27-42页 |
·引言 | 第27-28页 |
·人类视网膜模型及数学建模 | 第28-30页 |
·视网膜模型 | 第28-29页 |
·数学建模 | 第29-30页 |
·基于双边滤波和人类视网膜模型的光照不变量提提取算法 | 第30-33页 |
·双边滤波 | 第31页 |
·本文算法 | 第31-33页 |
·实验结果对比 | 第33-41页 |
·Yale B人脸库 | 第34-38页 |
·Extended Yale B人脸库 | 第38-39页 |
·CMU PIE人脸库 | 第39-41页 |
·本章小结 | 第41-42页 |
3 基于光照模型的光照不变量提取算法研究 | 第42-68页 |
·朗伯光照模型 | 第42页 |
·有效的光照不变量提取算法 | 第42-44页 |
·多尺度Retinex(MSR) | 第42-43页 |
·自商图像(SQI) | 第43-44页 |
·对数全变分(LTV) | 第44页 |
·基于变换域的方法 | 第44页 |
·基于NSCT和自适应Normalshrink滤波的光照不变量提取算法 | 第44-59页 |
·对数变换 | 第45页 |
·非下采样轮廓波变换(NSCT) | 第45-47页 |
·自适应Normalshrink滤波 | 第47-48页 |
·算法流程 | 第48-50页 |
·实验结果对比 | 第50-59页 |
·改进的SQI算法 | 第59-67页 |
·伽玛校正 | 第59页 |
·算法流程 | 第59-60页 |
·实验结果对比 | 第60-67页 |
·本章小结 | 第67-68页 |
4 基于多尺度主轮廓方向的光照不变量提取算法 | 第68-82页 |
·引言 | 第68-71页 |
·图像多尺度描述 | 第68-69页 |
·轮廓特征 | 第69页 |
·信息融合 | 第69-71页 |
·多尺度主轮廓方向的定义 | 第71页 |
·多尺度主轮廓方向的实现及算法 | 第71-73页 |
·多尺度主轮廓方向的实现 | 第71-72页 |
·多尺度主轮廓方向算法 | 第72-73页 |
·实验结果 | 第73-81页 |
·参数讨论 | 第73-75页 |
·实验结果对比 | 第75-81页 |
·本章小结 | 第81-82页 |
5 基于梯度最大分量方向的光照不变量提取算法 | 第82-95页 |
·引言 | 第82页 |
·Gradientfaces | 第82-83页 |
·梯度最大分量方向的定义和分析 | 第83-84页 |
·梯度最大分量方向的定义 | 第83页 |
·梯度最大分量方向的分析 | 第83-84页 |
·梯度最大分量方向算法 | 第84-85页 |
·梯度最大分量方向与梯度脸的比较 | 第85-87页 |
·实验结果对比 | 第87-94页 |
·Yale B人脸库 | 第87-90页 |
·Extended Yale B人脸库 | 第90-92页 |
·CMU PIE人脸库 | 第92-94页 |
·本章小结 | 第94-95页 |
6 总结与展望 | 第95-101页 |
·总结 | 第95-100页 |
·本文算法总结 | 第95-96页 |
·本文算法实验对比 | 第96-100页 |
·光照人脸识别展望 | 第100-101页 |
致谢 | 第101-102页 |
参考文献 | 第102-109页 |
附录A:主持或参与的科研项目 | 第109-110页 |
附录B:攻读博士学位期间发表的论文 | 第110-111页 |
附录C:在审稿件 | 第111-112页 |
附录D:攻读博士期间获得的成果 | 第112页 |