| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 子空间方法 | 第17页 |
| 1.2.2 基于稀疏表示的方法 | 第17-21页 |
| 1.2.3 基于深度学习的方法 | 第21页 |
| 1.3 相关稀疏表示方法介绍 | 第21-26页 |
| 1.3.1 基于稀疏表示的人脸识别算法(SRC) | 第21-22页 |
| 1.3.2 基于稀疏表示的过完备字典学习算法(K-SVD) | 第22-24页 |
| 1.3.3 基于稀疏表示的隐字典学习方法(LDL) | 第24-25页 |
| 1.3.4 基于局部线性KNN模型的图像识别算法(LLKNN) | 第25-26页 |
| 1.4 本文的工作与安排 | 第26-28页 |
| 第二章 基于非负局部线性KNN模型的图像识别算法 | 第28-48页 |
| 2.1 基于非负局部线性KNN模型的图像识别算法 | 第28-30页 |
| 2.1.1 非负局部线性KNN模型的构建 | 第28-29页 |
| 2.1.2 非负局部线性KNN模型算法 | 第29-30页 |
| 2.2 算法收敛性分析 | 第30-33页 |
| 2.3 分类 | 第33-34页 |
| 2.4 实验参数与结果分析 | 第34-39页 |
| 2.4.1 稀疏系数的初始化影响 | 第34-35页 |
| 2.4.2 初始转换(SPT)对识别率的影响 | 第35-37页 |
| 2.4.3 固定参数对识别率的影响 | 第37页 |
| 2.4.4 特征维数对识别率的影响 | 第37-38页 |
| 2.4.5 消耗时间的分析 | 第38-39页 |
| 2.5 实验结果与分析 | 第39-47页 |
| 2.5.1 图像实例分析 | 第39-40页 |
| 2.5.2 鲁棒性分析 | 第40-44页 |
| 2.5.3 场景识别 | 第44-45页 |
| 2.5.4 人脸识别 | 第45-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第三章 基于加权局部线性KNN模型的图像识别算法 | 第48-62页 |
| 3.1 加权局部线性KNN模型 | 第48-50页 |
| 3.1.1 加权局部线性KNN模型的构建 | 第48-49页 |
| 3.1.2 加权局部线性KNN模型算法 | 第49-50页 |
| 3.2 算法收敛性分析 | 第50-52页 |
| 3.3 算法复杂度分析 | 第52页 |
| 3.4 实验参数与结果分析 | 第52-57页 |
| 3.4.1 不同权重形式对实验结果的影响 | 第53-54页 |
| 3.4.2 初始转换(SPT)对实验结果的影响 | 第54-56页 |
| 3.4.3 固定参数对实验结果的影响 | 第56页 |
| 3.4.4 特征维数对实验结果的影响 | 第56-57页 |
| 3.5 实验结果与分析 | 第57-61页 |
| 3.5.1 场景识别 | 第57-58页 |
| 3.5.2 人脸识别 | 第58-60页 |
| 3.5.3 动作识别 | 第60-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第四章 基于非负加权局部线性KNN模型的图像识别算法 | 第62-76页 |
| 4.1 非负加权局部线性KNN模型算法 | 第62-64页 |
| 4.1.1 非负加权局部线性KNN模型的构建 | 第62-63页 |
| 4.1.2 非负加权局部线性KNN模型算法 | 第63-64页 |
| 4.2 算法收敛性分析 | 第64-67页 |
| 4.3 实验参数与结果分析 | 第67-72页 |
| 4.3.1 不同权重形式对实验结果的影响 | 第67-68页 |
| 4.3.2 初始转换(SPT)对实验结果的影响 | 第68-70页 |
| 4.3.3 固定参数对实验结果的影响 | 第70-71页 |
| 4.3.4 特征维数对实验结果的影响 | 第71-72页 |
| 4.4 实验结果与分析 | 第72-75页 |
| 4.4.1 AR数据集 | 第72-73页 |
| 4.4.2 FERET数据集实验 | 第73-74页 |
| 4.4.3 15 Scenes数据集实验 | 第74-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 本文研究工作与成果 | 第76-77页 |
| 5.2 展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间发表的学术论文 | 第85页 |
