| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 人脸识别的发展和市场价值 | 第7页 |
| 1.1.1 人脸识别的发展 | 第7页 |
| 1.1.2 人脸识别的市场价值 | 第7页 |
| 1.2 人脸识别的过程和研究现状 | 第7-12页 |
| 1.2.1 人脸识别的过程 | 第7-8页 |
| 1.2.2 人脸识别的研究现状 | 第8-12页 |
| 1.3 人脸识别的优势和面临的挑战 | 第12-13页 |
| 1.3.1 人脸识别的优势 | 第12页 |
| 1.3.2 人脸识别面临的挑战 | 第12-13页 |
| 1.4 人脸数据库 | 第13-14页 |
| 1.4.1 标准的ORL人脸库 | 第13页 |
| 1.4.2 标准的Yale人脸库 | 第13-14页 |
| 1.5 本文的结构内容 | 第14-15页 |
| 2 几种基础算法介绍 | 第15-18页 |
| 2.1 主成份分析法 | 第15页 |
| 2.2 线性判别分析法 | 第15-16页 |
| 2.3 最大间距准则法 | 第16-18页 |
| 3 改进最小相关保局投影及人脸识别 | 第18-28页 |
| 3.1 引言 | 第18页 |
| 3.2 局部保持投影(LPP)算法 | 第18-19页 |
| 3.3 基于改进的最小相关保局投影算法 | 第19-23页 |
| 3.3.1 余弦距离 | 第20页 |
| 3.3.2 构造监督无参数近邻图 | 第20页 |
| 3.3.3 改进LPP的目标函数 | 第20-22页 |
| 3.3.4 最小相关性分析 | 第22-23页 |
| 3.3.5 分类识别 | 第23页 |
| 3.4 算法步骤 | 第23页 |
| 3.5 实验结果与分析 | 第23-27页 |
| 3.5.1 ORL人脸库实验 | 第24-25页 |
| 3.5.2 Yale人脸库试验 | 第25-27页 |
| 3.6 本章小结 | 第27-28页 |
| 4 融合加权MMC和 2D-DLPP算法的人脸识别 | 第28-38页 |
| 4.1 引言 | 第28页 |
| 4.2 二维局部保持投影算法 | 第28-29页 |
| 4.3 二维判别局部保持投影算法 | 第29-31页 |
| 4.4 融合MMC和 2D-DLPP算法的人脸识别 | 第31-34页 |
| 4.4.1 特征提取 | 第31-33页 |
| 4.4.2 最小相关分析 | 第33-34页 |
| 4.5 本文算法描述 | 第34页 |
| 4.6 实验效果分析 | 第34-37页 |
| 4.6.1 ORL实验分析 | 第34-36页 |
| 4.6.2 Yale实验分析 | 第36-37页 |
| 4.7 本章结论 | 第37-38页 |
| 5 总结与展望 | 第38-40页 |
| 5.1 本文总结 | 第38页 |
| 5.2 课题展望 | 第38-40页 |
| 致谢 | 第40-41页 |
| 参考文献 | 第41-46页 |
| 附录 | 第46页 |
| 作者在攻读学位期间发表的论文 | 第46页 |