子空间特征提取方法及其在人脸识别中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-25页 |
| ·研究背景及意义 | 第9-10页 |
| ·子空间特征提取方法 | 第10-15页 |
| ·人脸识别概述 | 第15-22页 |
| ·人脸识别研究的内容和难点 | 第15-16页 |
| ·人脸识别的主要方法 | 第16-19页 |
| ·人脸识别系统的分类准则 | 第19-21页 |
| ·人脸识别算法的评价标准 | 第21-22页 |
| ·论文的主要工作 | 第22-25页 |
| 2 组合奇异值特征提取方法 | 第25-39页 |
| ·图像的奇异值分解 | 第25-29页 |
| ·基于奇异值分解的人脸识别方法 | 第29-30页 |
| ·图像的组合奇异值特征 | 第30-31页 |
| ·人脸图像局部区域的提取 | 第31-36页 |
| ·灰度投影 | 第31-32页 |
| ·灰度数学形态学 | 第32-34页 |
| ·算法步骤 | 第34-36页 |
| ·人脸识别实验结果 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 3 模糊标号典型相关分析方法 | 第39-65页 |
| ·典型相关分析的基本理论 | 第39-41页 |
| ·CCA与FLDA的等价性 | 第41-43页 |
| ·模糊标号典型相关分析 | 第43-51页 |
| ·模糊标号的定义 | 第44-46页 |
| ·基于模糊标号CCA的特征提取 | 第46-48页 |
| ·算法的有效性分析 | 第48-51页 |
| ·模糊标号核典型相关分析 | 第51-59页 |
| ·核方法 | 第51-54页 |
| ·核典型相关分析 | 第54-57页 |
| ·基于模糊标号KCCA的特征提取 | 第57-59页 |
| ·实验结果及分析 | 第59-62页 |
| ·阈值θ对识别率的影响 | 第59-61页 |
| ·不同标号方法的性能比较 | 第61-62页 |
| ·不同算法的识别率比较 | 第62页 |
| ·本章小结 | 第62-65页 |
| 4 小样本情况下基于典型相关分析的特征提取 | 第65-87页 |
| ·现有解决方法 | 第65-70页 |
| ·主成分分析降维 | 第65-67页 |
| ·直接基于图像矩阵的方法 | 第67-69页 |
| ·总结 | 第69-70页 |
| ·双空间模糊标号典型相关分析 | 第70-77页 |
| ·算法思想 | 第70-74页 |
| ·算法步骤 | 第74-75页 |
| ·实验结果及分析 | 第75-77页 |
| ·改进的二维典型相关分析 | 第77-85页 |
| ·图像的频谱表征 | 第78-79页 |
| ·类标矩阵的定义 | 第79-80页 |
| ·基于E-2DCCA的特征提取方法 | 第80-82页 |
| ·实验结果及分析 | 第82-85页 |
| ·本章小结 | 第85-87页 |
| 结论 | 第87-89页 |
| 参考文献 | 第89-99页 |
| 附录A ORL、Yale及自建人脸数据库部分图像 | 第99-100页 |
| 附录B 组合人脸数据库部分图像 | 第100-101页 |
| 论文创新点摘要 | 第101-102页 |
| 攻读博士学位期间发表学术论文情况 | 第102-103页 |
| 致谢 | 第103-105页 |
