基于线性子空间的人脸识别技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·人脸识别研究的背景和意义 | 第11-12页 |
| ·人脸识别的发展和研究现状 | 第12-14页 |
| ·人脸识别的发展 | 第12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文的主要研究内容 | 第14页 |
| ·论文组织结构 | 第14-16页 |
| 第2章 人脸识别系统的关键技术 | 第16-27页 |
| ·人脸识别系统 | 第16页 |
| ·人脸检测 | 第16-19页 |
| ·基于知识的方法 | 第16-17页 |
| ·基于表观特征的方法 | 第17页 |
| ·基于模板匹配的方法 | 第17-18页 |
| ·基于学习的方法 | 第18-19页 |
| ·特征提取 | 第19-24页 |
| ·几何特征方法 | 第19-20页 |
| ·子空间分析方法 | 第20-22页 |
| ·弹性图匹配方法 | 第22-23页 |
| ·神经网络方法 | 第23页 |
| ·隐马尔科夫模型方法 | 第23页 |
| ·流形学习方法 | 第23-24页 |
| ·分类器设计 | 第24-26页 |
| ·最小距离分类器 | 第24-25页 |
| ·最近邻分类器 | 第25页 |
| ·贝叶斯分类器 | 第25页 |
| ·支持向量机 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 主成分分析及其改进方法 | 第27-38页 |
| ·引言 | 第27页 |
| ·主成分分析(PCA) | 第27-32页 |
| ·K-L 变换基本原理 | 第27-29页 |
| ·基于 PCA 的人脸识别 | 第29-31页 |
| ·PCA 人脸识别方法优缺点分析 | 第31-32页 |
| ·二维主成分分析(2DPCA) | 第32-34页 |
| ·2DPCA 基本理论 | 第32-33页 |
| ·2DPCA 人脸识别方法的优缺点分析 | 第33-34页 |
| ·模块二维主成分分析(M2DPCA) | 第34-35页 |
| ·算法思想和步骤 | 第34-35页 |
| ·M2DPCA 优缺点分析 | 第35页 |
| ·改进的 M2DPCA | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 线性鉴别分析及其改进方法 | 第38-52页 |
| ·线性鉴别分析(LDA) | 第38-42页 |
| ·Fisher 判别准则 | 第38-40页 |
| ·FDA 解决多模式分类问题 | 第40-42页 |
| ·FDA 应用于人脸识别 | 第42页 |
| ·最大散度差鉴别分析(MSD) | 第42-43页 |
| ·二维最大散度差鉴别分析(2DMSD) | 第43-45页 |
| ·M2DPCA 与 2DMSD 融合的方法 | 第45-50页 |
| ·算法原理 | 第45-46页 |
| ·实验及分析 | 第46-50页 |
| ·分块二维最大散度差鉴别分析(M2DMSD) | 第50-51页 |
| ·算法原理 | 第50页 |
| ·实验及分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 二维类内差异信息保持的方法 | 第52-63页 |
| ·引言 | 第52-53页 |
| ·增强的 Fisher 鉴别准则(EFDC) | 第53-57页 |
| ·FLDA 的缺陷 | 第53-54页 |
| ·EFDC 算法原理 | 第54-56页 |
| ·算法步骤 | 第56-57页 |
| ·二维类内差异信息保持准则(2D-IDP) | 第57-61页 |
| ·EFDC 的缺陷 | 第57页 |
| ·2D-IDP 算法原理 | 第57-59页 |
| ·算法步骤 | 第59-60页 |
| ·实验及分析 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
