| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 人脸识别研究背景及发展意义 | 第11页 |
| 1.2 人脸识别的发展现状 | 第11-15页 |
| 1.2.1 人脸识别的发展概况 | 第11-12页 |
| 1.2.2 现研究技术方法比较 | 第12-15页 |
| 1.3 人脸识别现研究难点 | 第15-16页 |
| 1.3.1 现存问题 | 第15-16页 |
| 1.4 本文创新点 | 第16页 |
| 1.5 论文的主要内容和组织结构 | 第16-19页 |
| 第二章 人脸图像预处理技术 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 几何矫正 | 第19-20页 |
| 2.3 图像直方图均衡化 | 第20-22页 |
| 2.4 图像滤波去噪 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于PCA的人脸特征提取识别方法 | 第25-35页 |
| 3.1 特征提取主要方法和作用 | 第25页 |
| 3.2 基于PCA的原理和步骤 | 第25-30页 |
| 3.2.1 K-L变换 | 第25-27页 |
| 3.2.2 奇异值分解(SVD)定理 | 第27页 |
| 3.2.3 基于PCA的人脸识别应用 | 第27-30页 |
| 3.3 传统PCA实验分析 | 第30-32页 |
| 3.3.1 ORL人脸识别库 | 第30-31页 |
| 3.3.2 实验结果与分析 | 第31-32页 |
| 3.4 PCA的优缺点分析 | 第32页 |
| 3.5 本章小结 | 第32-35页 |
| 第四章 改进的分块PCA和SVM相结合的人脸识别算法 | 第35-49页 |
| 4.1 分块PCA算法 | 第35-37页 |
| 4.2 支持向量分类机介绍 | 第37-41页 |
| 4.2.1 线性可分的支持向量机 | 第37-39页 |
| 4.2.2 线性不可分的支持向量机 | 第39-40页 |
| 4.2.3 非线性可分支持向量机 | 第40页 |
| 4.2.4 本文所用到的SVM分类器原理 | 第40-41页 |
| 4.2.5 LibSVM工具箱简介 | 第41页 |
| 4.3 改进的分块PCA算法和SVM相结合的人脸识别算法 | 第41-43页 |
| 4.4 实验结果与分析 | 第43-48页 |
| 4.4.2 Yale人脸识别库 | 第43页 |
| 4.4.3 实验过程结果及分析 | 第43-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于改进型2D2DPCA的人脸识别算法 | 第49-57页 |
| 5.1 2D2DPCA算法 | 第49-52页 |
| 5.1.1 2DPCA 算法 | 第49-50页 |
| 5.1.2 2D2DPCA 算法 | 第50-52页 |
| 5.2 改进型2D2DPCA与SVM相结合的人脸识别算法 | 第52-54页 |
| 5.3 实验结果与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-61页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 展望 | 第58-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 附录A 攻读硕士学位期间学术成果 | 第67-69页 |
| 附录B(源程序主要代码) | 第69-81页 |
| B.1 对人脸图像直方图均衡 | 第69-70页 |
| B.2 人脸图像平滑滤波 | 第70-71页 |
| B.3 传统PCA+SVM的人脸识别代码主要源程序 | 第71-75页 |
| B.3.1 训练主程序 | 第71-72页 |
| B.3.2 对训练图像的PCA的特征提取与降维 | 第72-73页 |
| B.3.3 传统PCA对应的识别过程主要源程序 | 第73-75页 |
| B.4 改进分块PCA算法 | 第75-77页 |
| B.5 改进2D2DPCA算法 | 第77-81页 |
| B.6 GUI识别界面的主程序 | 第81页 |
