| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要符号表 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 课题背景及研究意义 | 第15-19页 |
| 1.2 人脸识别的研究历程 | 第19-22页 |
| 1.3 人脸识别技术的国内外研究现状 | 第22-24页 |
| 1.3.1 发表论文情况 | 第22-23页 |
| 1.3.2 国内外研究现状 | 第23-24页 |
| 1.4 人脸识别研究的主要内容和主要方法 | 第24-27页 |
| 1.4.1 人脸识别研究的主要内容 | 第24-25页 |
| 1.4.2 人脸识别的主要方法 | 第25-27页 |
| 1.5 常用人脸数据库简介 | 第27-28页 |
| 1.6 论文章节安排 | 第28-29页 |
| 第二章 基于黎曼流形学习的人脸识别算法 | 第29-47页 |
| 2.1 引言 | 第29-30页 |
| 2.2 流形学习 | 第30-33页 |
| 2.2.1 流形学习中的一些数学定义 | 第30-31页 |
| 2.2.2 流形学习简介 | 第31-32页 |
| 2.2.3 人脸空间的流形结构 | 第32-33页 |
| 2.3 典型的流形学习算法 | 第33-36页 |
| 2.3.1 局部线性嵌入 | 第33-35页 |
| 2.3.2 等距映射 | 第35-36页 |
| 2.4 黎曼流形学习在人脸识别中的应用 | 第36-39页 |
| 2.4.1 问题的提出 | 第36-37页 |
| 2.4.2 黎曼法坐标 | 第37-38页 |
| 2.4.3 黎曼流形学习算法 | 第38-39页 |
| 2.5 实验结果及讨论 | 第39-46页 |
| 2.5.1 ORL人脸库 | 第40-42页 |
| 2.5.2 Yale人脸库 | 第42-44页 |
| 2.5.3 PIE人脸库 | 第44-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 融合局部二值模式和保局投影的人脸识别算法 | 第47-70页 |
| 3.1 引言 | 第47-48页 |
| 3.2 基于线性子空间的特征提取算法 | 第48-52页 |
| 3.2.1 主成分分析 | 第48-49页 |
| 3.2.2 线性判别分析 | 第49-51页 |
| 3.2.3 独立成分分析 | 第51-52页 |
| 3.3 拉普拉斯特征映射 | 第52-53页 |
| 3.4 保局投影 | 第53-56页 |
| 3.5 融合局部二值模式和保局投影的人脸识别算法 | 第56-60页 |
| 3.5.1 基于局部二值模式的人脸描述 | 第57-59页 |
| 3.5.1.1 局部二值模式 | 第57-58页 |
| 3.5.1.2 采用LBP的人脸描述 | 第58-59页 |
| 3.5.2 算法流程 | 第59-60页 |
| 3.6 实验结果及讨论 | 第60-69页 |
| 3.6.1 ORL人脸库 | 第60-62页 |
| 3.6.2 Yale人脸库 | 第62-64页 |
| 3.6.3 FERET人脸库 | 第64-66页 |
| 3.6.4 Faces94人脸库 | 第66-68页 |
| 3.6.5 实验小结 | 第68-69页 |
| 3.7 本章小结 | 第69-70页 |
| 第四章 融合Log-Gabor小波和判别保局投影的人脸识别算法 | 第70-85页 |
| 4.1 引言 | 第70-71页 |
| 4.2 Gabor小波及其特征提取 | 第71-73页 |
| 4.2.1 Gabor小波 | 第71-72页 |
| 4.2.2 Gabor特征提取 | 第72-73页 |
| 4.3 融合Log-Gabor小波和判别保局投影的人脸识别算法 | 第73-76页 |
| 4.3.1 Log-Gabor小波及其特征提取 | 第73-75页 |
| 4.3.1.1 Log-Gabor小波 | 第73-74页 |
| 4.3.1.2 Log-Gabor特征提取 | 第74-75页 |
| 4.3.2 算法流程 | 第75-76页 |
| 4.4 实验结果及讨论 | 第76-81页 |
| 4.4.1 ORL人脸库 | 第77-78页 |
| 4.4.2 Yale人脸库 | 第78-79页 |
| 4.4.3 FERET人脸库 | 第79-80页 |
| 4.4.4 AR人脸库 | 第80-81页 |
| 4.5 RML、LBP-LPP和LGDLPP的实验比较 | 第81-84页 |
| 4.5.1 ORL人脸库 | 第82-83页 |
| 4.5.2 Yale人脸库 | 第83-84页 |
| 4.5.3 实验小结 | 第84页 |
| 4.6 本章小结 | 第84-85页 |
| 第五章 基于鲁棒协同表示的人脸识别算法 | 第85-108页 |
| 5.1 引言 | 第85-86页 |
| 5.2 基于稀疏表示的分类 | 第86-90页 |
| 5.2.1 稀疏表示 | 第86-87页 |
| 5.2.2 基于稀疏表示的分类算法 | 第87-88页 |
| 5.2.3 稀疏表示用于鲁棒的人脸识别 | 第88-90页 |
| 5.3 基于协同表示的分类 | 第90-95页 |
| 5.3.1 稀疏表示在人脸识别中的作用 | 第90-92页 |
| 5.3.2 基于协同表示的分类的讨论 | 第92-94页 |
| 5.3.3 基于协同表示的分类算法 | 第94-95页 |
| 5.4 鲁棒稀疏编码 | 第95-99页 |
| 5.4.1 鲁棒稀疏编码模型 | 第95-96页 |
| 5.4.2 分布诱导权值 | 第96-98页 |
| 5.4.3 鲁棒稀疏编码算法 | 第98-99页 |
| 5.5 鲁棒协同表示 | 第99-101页 |
| 5.5.1 鲁棒协同表示算法 | 第99-101页 |
| 5.5.2 算法复杂度分析 | 第101页 |
| 5.6 实验结果及讨论 | 第101-106页 |
| 5.6.1 AR人脸库 | 第101-104页 |
| 5.6.2 Extended Yale B人脸库 | 第104-106页 |
| 5.7 本章小结 | 第106-108页 |
| 第六章 基于扩展协同表示分类的单训练样本人脸识别 | 第108-124页 |
| 6.1 引言 | 第108-109页 |
| 6.2 从SRC到ESRC | 第109-113页 |
| 6.2.1 每人多个训练样本问题 | 第109-110页 |
| 6.2.2 每人少数训练样本问题 | 第110-111页 |
| 6.2.3 扩展的基于稀疏表示的分类 | 第111-113页 |
| 6.3 扩展的基于协同表示的分类 | 第113-115页 |
| 6.4 融合Gabor小波和ECRC的人脸识别 | 第115-117页 |
| 6.4.1 Gabor特征提取 | 第115-116页 |
| 6.4.2 算法流程 | 第116-117页 |
| 6.5 实验结果及讨论 | 第117-123页 |
| 6.5.1 基于ECRC的单训练样本人脸识别实验 | 第117-120页 |
| 6.5.1.1 AR人脸库 | 第117-118页 |
| 6.5.1.2 Extended Yale B人脸库 | 第118-119页 |
| 6.5.1.3 运行时间 | 第119-120页 |
| 6.5.2 基于GECRC的单训练样本人脸识别实验 | 第120-123页 |
| 6.5.2.1 AR人脸库 | 第120-121页 |
| 6.5.2.2 Extended Yale B人脸库 | 第121页 |
| 6.5.2.3 运行时间 | 第121-123页 |
| 6.6 本章小结 | 第123-124页 |
| 第七章 总结与展望 | 第124-127页 |
| 7.1 本文工作总结 | 第124-126页 |
| 7.2 未来工作展望 | 第126-127页 |
| 致谢 | 第127-128页 |
| 参考文献 | 第128-138页 |
| 附录 | 第138-139页 |
| 攻读博士学位期间取得的研究成果 | 第139-140页 |
