| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 人脸识别的研究背景及意义 | 第10-11页 |
| 1.2 人脸识别的研究现状及研究趋势 | 第11-14页 |
| 1.3 人脸数据库 | 第14-15页 |
| 1.4 本文主要工作及研究内容安排 | 第15-17页 |
| 第2章 支持向量机的基本原理 | 第17-28页 |
| 2.1 统计学习理论 | 第17-20页 |
| 2.1.1 VC维 | 第17-18页 |
| 2.1.2 推广性的界 | 第18-19页 |
| 2.1.3 结构风险最小化 | 第19-20页 |
| 2.2 SVM算法工作原理 | 第20-22页 |
| 2.2.1 线性支持向量机 | 第20-22页 |
| 2.2.2 非线性支持向量机 | 第22页 |
| 2.3 SVM的主要核函数 | 第22-25页 |
| 2.3.1 Mercer条件 | 第23页 |
| 2.3.2 常用核函数 | 第23-25页 |
| 2.4 SVM参数选择 | 第25页 |
| 2.5 多类支持向量机 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于改进的主成分分析法的人脸识别算法 | 第28-41页 |
| 3.1 基于主成分分析法的人脸识别 | 第28-34页 |
| 3.1.1 K-L变换 | 第28-30页 |
| 3.1.2 基于主成分分析的特征提取原理 | 第30-33页 |
| 3.1.3 基于主成分分析的人脸识别算法 | 第33-34页 |
| 3.1.4 主成分分析方法的优缺点 | 第34页 |
| 3.2 基于二维主成分分析法的人脸识别算法 | 第34-36页 |
| 3.2.1 二维主成分分析算法 | 第34-35页 |
| 3.2.2 基于二维主成分分析的特征提取原理 | 第35页 |
| 3.2.3 基于二维主成分分析的人脸识别算法 | 第35-36页 |
| 3.2.4 二维主成分分析方法的优缺点 | 第36页 |
| 3.3 基于2DPCA+PCA融合算法的人脸识别算法 | 第36-37页 |
| 3.4 实验数据及分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于改进核函数的SVM人脸识别算法 | 第41-56页 |
| 4.1 参数寻优 | 第41-44页 |
| 4.1.1 常用方法介绍 | 第41-43页 |
| 4.1.2 参数调节性能的评价方法 | 第43-44页 |
| 4.2 留一交叉验证法的改进 | 第44-45页 |
| 4.3 基于多项式核和径向基核的混合核函数的SVM人脸识别算法 | 第45-51页 |
| 4.3.1 构造混合核函数的原则 | 第45-47页 |
| 4.3.2 多项式核与径向基核的特性 | 第47-48页 |
| 4.3.3 仿真实验及数据分析 | 第48-51页 |
| 4.4 本算法有效性的验证实验 | 第51-55页 |
| 4.4.1 实验一：含有各种噪音下的人脸识别实验 | 第52-54页 |
| 4.4.2 实验二：部分人脸被遮挡时的人脸识别实验 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 研究总结 | 第56页 |
| 5.2 面临的挑战和发展趋势 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
