| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-14页 |
| 1.2.1 几何特征法 | 第11-12页 |
| 1.2.2 子空间方法 | 第12-13页 |
| 1.2.3 基于学习的方法 | 第13-14页 |
| 1.3 面临的问题及挑战 | 第14页 |
| 1.4 本文的研究工作 | 第14-16页 |
| 1.4.1 研究思路 | 第14-15页 |
| 1.4.2 可行性分析 | 第15页 |
| 1.4.3 研究贡献 | 第15页 |
| 1.4.4 研究内容与论文结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 稀疏表示和低秩矩阵分解理论基础 | 第17-29页 |
| 2.1 稀疏表示理论 | 第17-19页 |
| 2.2 稀疏表示求解算法 | 第19-22页 |
| 2.2.1 贪婪算法 | 第19-21页 |
| 2.2.2 最小化l_1范数方法 | 第21-22页 |
| 2.3 基于稀疏表示的人脸识别算法 | 第22-23页 |
| 2.4 低秩矩阵分解理论和算法 | 第23-26页 |
| 2.5 低秩矩阵分解应用 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 基于稀疏表示和低秩矩阵分解的人脸对齐及识别 | 第29-45页 |
| 3.1 基于低秩矩阵分解的人脸对齐原理 | 第29-32页 |
| 3.2 人脸图像的特征提取 | 第32-35页 |
| 3.2.1 主成分分析法 | 第33页 |
| 3.2.2 独立成分分析法 | 第33-35页 |
| 3.3 基于稀疏表示和低秩矩阵分解的人脸对齐及识别步骤 | 第35-38页 |
| 3.4 实验结果与分析 | 第38-43页 |
| 3.4.1 Extended YaleB人脸库实验 | 第39-41页 |
| 3.4.2 CMU人脸库实验 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 4 基于低秩矩阵分解的扫描文档图像的对齐 | 第45-55页 |
| 4.1 基于低秩矩阵扫描文档图像对齐的原理 | 第45-46页 |
| 4.2 本方法的主要步骤 | 第46-49页 |
| 4.2.1 本方法的求解模型 | 第47-48页 |
| 4.2.2 本方法的求解 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结和展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第60-62页 |
| 学位论文数据集 | 第62页 |