| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及难点分析及挑战 | 第12-14页 |
| 1.2.1 人脸识别的国内外发展概述 | 第12-13页 |
| 1.2.2 人脸识别技术难点分析 | 第13-14页 |
| 1.3 压缩感知理论简介 | 第14-17页 |
| 1.4 论文主要内容和结构安排 | 第17-19页 |
| 第2章 人脸识别系统概述 | 第19-27页 |
| 2.1 人脸识别系统结构 | 第19-20页 |
| 2.2 人脸图像预处理 | 第20-23页 |
| 2.2.1 图像滤波 | 第21-23页 |
| 2.2.2 图像归一化 | 第23页 |
| 2.2.3 图像的空间变换 | 第23页 |
| 2.3 人脸检测 | 第23-26页 |
| 2.3.1 图像的阈值检测 | 第24-25页 |
| 2.3.2 图像的边缘目标检测 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 常用的人脸检测识别算法 | 第27-34页 |
| 3.1 人脸特征检测方法 | 第27-30页 |
| 3.1.1 主成分分析算法(PCA) | 第27-28页 |
| 3.1.2 线性判别式分析(LDA) | 第28-29页 |
| 3.1.3 独立成分分析算法(ICA) | 第29-30页 |
| 3.2 人脸识别分类器 | 第30-33页 |
| 3.2.1 K近邻分类器(KNN) | 第30-32页 |
| 3.2.2 支持向量机(SVM) | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于压缩感知的人脸识别方法 | 第34-47页 |
| 4.1 基于稀疏表示的人脸识别算法 | 第34-36页 |
| 4.2 基于联合表示的人脸识别算法CRC | 第36-40页 |
| 4.3 引入优化测量矩阵的压缩感知人脸识别改进算法 | 第40-46页 |
| 4.3.1 引入优化测量矩阵的MCRC算法推导 | 第40-43页 |
| 4.3.2 修正因子η的取值 | 第43-45页 |
| 4.3.3 压缩投影纬度M的取值对人脸识别率的影响 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于MATLIEAB人脸识别仿真实验和结果分析 | 第47-59页 |
| 5.1 基于MATLAB人脸识别系统的实现 | 第47-51页 |
| 5.1.1 人脸识别系统设计 | 第47页 |
| 5.1.2 人脸识别系统模块设计 | 第47-49页 |
| 5.1.3 人脸识别系统平台 | 第49-51页 |
| 5.2 MCRC算法实现与实验结果分析 | 第51-52页 |
| 5.2.1 基于压缩感知的人脸识别算法的性能测评实验 | 第51-52页 |
| 5.2.2 优化测量矩阵的效果测评实验 | 第52页 |
| 5.3 基于MATLAB人脸识别实验及结果分析 | 第52-58页 |
| 5.3.1 预处理对人脸识别率的影响 | 第53-54页 |
| 5.3.2 不同降维识别算法对识别率的影响 | 第54页 |
| 5.3.3 同一降维方法下不同识别分类算法对识别率的影响 | 第54-55页 |
| 5.3.4 同一识别方法下不同降维算法对识别率的影响 | 第55-56页 |
| 5.3.5 同一降维识别方法下不同人脸库对识别率的影响 | 第56-57页 |
| 5.3.6 实时性分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间参加的科研项目和成果 | 第65页 |
