| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究的背景及意义 | 第7-8页 |
| 1.2 国内外研究现状及发展 | 第8-10页 |
| 1.3 本文研究方向重点 | 第10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 2 基于稀疏表达的图像识别方法 | 第12-18页 |
| 2.1 稀疏表示理论和应用于图像识别的理论基础 | 第12-13页 |
| 2.2 基于稀疏表示的图像识别 | 第13-16页 |
| 2.2.1 稀疏表示的数学模型 | 第13-14页 |
| 2.2.2 稀疏表达的求解 | 第14-15页 |
| 2.2.3 稀疏表示的图像识别准则 | 第15-16页 |
| 2.3 稀疏表示图像识别方法的鲁棒性原理 | 第16-17页 |
| 2.4 小结 | 第17-18页 |
| 3 基于字典学习的稀疏编码图像表示和识别 | 第18-33页 |
| 3.1 概述 | 第18页 |
| 3.2 字典学习的介绍 | 第18-25页 |
| 3.2.1 几种常见的字典学习方法 | 第19-20页 |
| 3.2.2 两种经典字典学习方法比较 | 第20-24页 |
| 3.2.3 基于字典学习的人脸识别 | 第24-25页 |
| 3.3 实验分析与结果 | 第25-32页 |
| 3.3.1 Extend Yale B人脸库的仿真实验 | 第25-29页 |
| 3.3.2 ORL人脸数据库的仿真结果与分析 | 第29-31页 |
| 3.3.3 CMU PIE人脸数据库的仿真实验与结果 | 第31-32页 |
| 3.6 小结 | 第32-33页 |
| 4 类别相关的近邻子空间最大似然稀疏表示图像识别算法 | 第33-47页 |
| 4.1 概述 | 第33-34页 |
| 4.2 最大似然稀疏表示识别模型 | 第34-35页 |
| 4.2.1 最大似然估计模型 | 第34页 |
| 4.2.2 加权矩阵优化方式求解稀疏表示 | 第34-35页 |
| 4.3 基于类别相关近邻子空间的实时鲁棒稀疏表达识别算法 | 第35-39页 |
| 4.3.1 改进的类别自验证的近邻选择 | 第36-37页 |
| 4.3.2 基于类别的自适应近邻选择 | 第37-39页 |
| 4.4 实验仿真研究 | 第39-46页 |
| 4.4.1 AR人脸库的仿真实验 | 第39-41页 |
| 4.4.2 AR人脸库中伪装的人脸的仿真实验 | 第41-44页 |
| 4.4.3 Extended Yale B人脸库的仿真实验 | 第44-46页 |
| 4.5 小结 | 第46-47页 |
| 5 改进的原子稀疏与结构稀疏结合图像识别算法 | 第47-59页 |
| 5.1 引言 | 第47页 |
| 5.2 结构稀疏表示理论 | 第47-49页 |
| 5.3 改进的结构稀疏表示和原子稀疏表示结合的识别方法 | 第49-55页 |
| 5.3.1 自适应权值的原子稀疏与结构稀疏加权并行结合 | 第50-52页 |
| 5.3.2 改进的原子稀疏与结构稀疏表示串行结合方法 | 第52-55页 |
| 5.4 实验仿真结果及分析 | 第55-58页 |
| 5.4.1 人脸数据库上的实验 | 第55-56页 |
| 5.4.2 推广到红外数据上的实验 | 第56-58页 |
| 5.5 小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间参加的科研情况 | 第65页 |
