基于压缩感知人脸识别技术的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 主要符号对照表和缩写 | 第8-16页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 问题背景及研究意义 | 第16-17页 |
| 1.2 国内外研究现状分析 | 第17-18页 |
| 1.3 人脸识别系统基本框架 | 第18-21页 |
| 1.3.1 预处理 | 第18-19页 |
| 1.3.2 特征提取与特征选择 | 第19-20页 |
| 1.3.3 分类及识别 | 第20-21页 |
| 1.4 本文的主要研究工作 | 第21-22页 |
| 1.5 本文的组织结构 | 第22-23页 |
| 第二章 信号降维及线性稀疏表示 | 第23-37页 |
| 2.1 预备数学基础 | 第23-26页 |
| 2.1.1 向量内积与范数 | 第23页 |
| 2.1.2 矩阵奇异值分解 | 第23-24页 |
| 2.1.3 随机向量的统计描述 | 第24-25页 |
| 2.1.4 框架 | 第25页 |
| 2.1.5 距离定义 | 第25-26页 |
| 2.2 基于子空间投影数据降维 | 第26-31页 |
| 2.2.1 主成分分析 | 第26-28页 |
| 2.2.2 线性鉴别分析 | 第28-30页 |
| 2.2.3 局部保持投影 | 第30-31页 |
| 2.3 压缩感知与稀疏表示 | 第31-35页 |
| 2.3.1 信号综合模型及稀疏字典设计 | 第31-32页 |
| 2.3.2 压缩感知的基本框架 | 第32-33页 |
| 2.3.3 稀疏保持投影 | 第33-34页 |
| 2.3.4 稀疏低秩分解 | 第34-35页 |
| 2.4 随机压缩投影表示分类器的上界 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 鲁棒分类算法研究 | 第37-56页 |
| 3.1 引言 | 第37页 |
| 3.2 经典模式分类 | 第37-41页 |
| 3.2.1 近邻分类器 | 第37-38页 |
| 3.2.2 支持向量机 | 第38-39页 |
| 3.2.3 基于线性表示的分类器 | 第39-41页 |
| 3.3 一种基于子空间分析分类器 | 第41-45页 |
| 3.3.1 信号子空间分析 | 第41-43页 |
| 3.3.2 子空间分析分类算法的实现 | 第43-45页 |
| 3.4 加权线性回归分类器 | 第45-48页 |
| 3.4.1 鲁棒稀疏编码分类器 | 第45-46页 |
| 3.4.2 加权线性回归分类器的实现 | 第46-48页 |
| 3.5 实验仿真 | 第48-55页 |
| 3.5.1 实验环境 | 第48页 |
| 3.5.2 基于子空间分析分类器实验 | 第48-52页 |
| 3.5.3 加权线性回归分类器实验 | 第52-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 基于先验信息的鲁棒压缩感知矩阵设计 | 第56-74页 |
| 4.1 引言 | 第56页 |
| 4.2 优化投影矩阵设计 | 第56-61页 |
| 4.2.1 经典投影矩阵优化设计 | 第57-58页 |
| 4.2.2 改进的基于互相关的感知矩阵优化设计 | 第58-61页 |
| 4.3 压缩感知在车牌识别中的应用 | 第61-65页 |
| 4.3.1 一种解析形式的最优感知矩阵 | 第62-64页 |
| 4.3.2 仿真实验 | 第64-65页 |
| 4.4 一种鲁棒投影矩阵设计方法 | 第65-69页 |
| 4.4.1 问题的形成 | 第66-67页 |
| 4.4.2 最优投影矩阵算法 | 第67-69页 |
| 4.5 实验仿真 | 第69-72页 |
| 4.5.1 合成数据 | 第69-71页 |
| 4.5.2 图像压缩 | 第71-72页 |
| 4.6 本章小结 | 第72-74页 |
| 第五章 基于稀疏表示压缩感知人脸识别方法 | 第74-92页 |
| 5.1 引言 | 第74页 |
| 5.2 基于字典学习算法 | 第74-76页 |
| 5.2.1 最优方向法 | 第75页 |
| 5.2.2 K-SVD算法 | 第75-76页 |
| 5.3 基于显著特征字典学习 | 第76-80页 |
| 5.3.1 基本框架 | 第77页 |
| 5.3.2 显著区域提取 | 第77-80页 |
| 5.4 投影矩阵优化设计 | 第80-84页 |
| 5.4.1 基于识别的目标Gram矩阵选取 | 第80-82页 |
| 5.4.2 最佳投影矩阵解析解 | 第82-83页 |
| 5.4.3 基于CS的人脸识别与重构系统 | 第83-84页 |
| 5.5 实验结果及分析 | 第84-91页 |
| 5.5.1 显著特征字典学习稀疏表示分类实验 | 第84-87页 |
| 5.5.2 基于压缩感知人脸识别与重建实验 | 第87-91页 |
| 5.6 本章小结 | 第91-92页 |
| 第六章 复杂环境多视角人脸图像识别系统设计 | 第92-110页 |
| 6.1 引言 | 第92页 |
| 6.2 图像滤波与实现结构 | 第92-97页 |
| 6.2.1 一种高效滤波器实现结构 | 第93-96页 |
| 6.2.2 仿真结果 | 第96-97页 |
| 6.3 人脸检测与姿态定位 | 第97-99页 |
| 6.4 复杂环境下多视角人脸识别系统 | 第99-105页 |
| 6.4.1 复杂环境下多视角人脸识别流程 | 第99-100页 |
| 6.4.2 下采样对齐LBP特征提取 | 第100-103页 |
| 6.4.3 ADLBP特征压缩与分类识别算法 | 第103-105页 |
| 6.5 实验结果与分析 | 第105-108页 |
| 6.5.1 人脸数据集 | 第105-106页 |
| 6.5.2 参数η的选择 | 第106页 |
| 6.5.3 投影维度与识别率 | 第106-107页 |
| 6.5.4 训练样本数L_j对识别率的影响 | 第107页 |
| 6.5.5 特征预处理对识别性能影响 | 第107-108页 |
| 6.5.6 LFW数据集上分类器性能比较 | 第108页 |
| 6.5.7 开集测试结果 | 第108页 |
| 6.6 本章小结 | 第108-110页 |
| 第七章 总结与展望 | 第110-112页 |
| 7.1 总结 | 第110-111页 |
| 7.2 展望 | 第111-112页 |
| 参考文献 | 第112-124页 |
| 攻读博士学位期间的研究成果及发表的论文 | 第124-126页 |
| 致谢 | 第126页 |
