| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.2 人脸识别的国内外研究现状 | 第10-11页 |
| 1.3 人脸识别的研究难点 | 第11-13页 |
| 1.4 本文的主要研究工作和创新之处 | 第13-15页 |
| 2 基础理论和常用人脸识别算法介绍 | 第15-28页 |
| 2.1 图像的预处理 | 第15-17页 |
| 2.2 图像的特征提取 | 第17-18页 |
| 2.3 PCA (principal component analysis)在人脸识别中的应用 | 第18-20页 |
| 2.4 LDA(线性判别分析)在人脸识别中的应用 | 第20-22页 |
| 2.5 基于LBP的人脸识别 | 第22-25页 |
| 2.6 人工神经网络在人脸识别中的应用 | 第25-28页 |
| 3 多尺度奇异值特征提取 | 第28-37页 |
| 3.1 奇异值分解的发展历程 | 第28页 |
| 3.2 奇异值分解的定理 | 第28-30页 |
| 3.3 多尺度奇异值特征提取 | 第30-34页 |
| 3.3.1 图像的多尺度分割 | 第31-32页 |
| 3.3.2 多尺度奇异值特征提取 | 第32-33页 |
| 3.3.3 奇异值的降维压缩 | 第33-34页 |
| 3.4 PCA和MSVD结合的人脸识别 | 第34-37页 |
| 4 基于MSVD的HMM的人脸识别 | 第37-55页 |
| 4.1 马尔可夫（Markov）链 | 第37-38页 |
| 4.2 隐马尔可夫模型介绍 | 第38-39页 |
| 4.3 马尔可夫的三个问题及其基本算法 | 第39-46页 |
| 4.3.1 评价问题 | 第40-43页 |
| 4.3.2 解码问题 | 第43-44页 |
| 4.3.3 学习问题 | 第44-46页 |
| 4.4 基于多尺度奇异值分解的HMM的人脸识别 | 第46-52页 |
| 4.4.1 HMM的人脸识别框架 | 第46-47页 |
| 4.4.2 HMM人脸模型 | 第47-48页 |
| 4.4.3 人脸特征抽取 | 第48-49页 |
| 4.4.4 HMM模型的训练和识别 | 第49-52页 |
| 4.5 实验结果与分析 | 第52-55页 |
| 5 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |