基于监督独立分量分析的人脸识别
| 第1章 绪论 | 第1-18页 |
| 1．1 人脸识别的研究内容及应用 | 第9-10页 |
| 1．1．1 人脸识别的研究内容 | 第9-10页 |
| 1．1．2 人脸识别的应用 | 第10页 |
| 1．2 人脸识别的常用方法 | 第10-15页 |
| 1．2．1 基于几何结构的人脸识别 | 第11-12页 |
| 1．2．2 基于神经网络的人脸识别 | 第12页 |
| 1．2．3 子空间人脸识别技术 | 第12-15页 |
| 1．2．4 多分类器组合系统 | 第15页 |
| 1．3 人脸识别的研究现状及前景 | 第15-17页 |
| 1．4 本文的研究内容 | 第17-18页 |
| 第2章 独立分量分析的基本理论 | 第18-29页 |
| 2．1 ICA的基本概念及数学模型 | 第18-19页 |
| 2．2 ICA主要算法 | 第19-26页 |
| 2．2．1 基于极大似然准则的ICA算法 | 第20-21页 |
| 2．2．2 基于信息最大化的ICA算法 | 第21-23页 |
| 2．2．3 基于最小互信息的ICA算法 | 第23-24页 |
| 2．2．4 基于负熵最大化的ICA算法 | 第24-26页 |
| 2．2．5 ICA算法统一框架 | 第26页 |
| 2．3 ICA的发展历史及现状 | 第26-28页 |
| 2．3．1 ICA的发展历史 | 第26-27页 |
| 2．3．2 ICA的应用 | 第27页 |
| 2．3．3 ICA的研究热点及前沿 | 第27-28页 |
| 2．4 本章小结 | 第28-29页 |
| 第3章 基于监督独立分量分析的人脸识别 | 第29-45页 |
| 3．1 人脸图像的独立分量表示 | 第29-32页 |
| 3．2 传统的识别方法 | 第32-36页 |
| 3．2．1 数据预处理 | 第32-34页 |
| 3．2．2 传统的ICA人脸框架 | 第34页 |
| 3．2．3 FastICA算法 | 第34-35页 |
| 3．2．4 人脸子空间方法比较 | 第35-36页 |
| 3．3 监督ICA算法(SICA) | 第36-39页 |
| 3．4 实验分析 | 第39-44页 |
| 3．4．1 人脸数据库简介 | 第39-40页 |
| 3．4．2 最近邻分类器 | 第40-41页 |
| 3．4．3 识别率比较 | 第41-43页 |
| 3．4．4 计算量比较 | 第43-44页 |
| 3．5 本章小结 | 第44-45页 |
| 第4章 ICA与分类器 | 第45-53页 |
| 4．1 分类器原理简介 | 第45-47页 |
| 4．2 支持向量机 | 第47-49页 |
| 4．2．1 基本原理 | 第47-49页 |
| 4．2．2 SVM与多类问题 | 第49页 |
| 4．3 独立特征选择 | 第49-50页 |
| 4．4 实验结果及分析 | 第50-52页 |
| 4．5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-62页 |
| 攻读硕士学位期间发表的论文和取得的成果 | 第62-63页 |
| 致谢 | 第63页 |
