| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 图像识别技术简介 | 第10-11页 |
| 1.3 研究现状 | 第11-14页 |
| 1.3.1 稀疏表示国内外研究现状 | 第11-13页 |
| 1.3.2 低秩矩阵恢复国内外研究现状 | 第13-14页 |
| 1.4 本文研究思路及可行性分析 | 第14-15页 |
| 1.5 本文主要工作及结构安排 | 第15-17页 |
| 1.5.1 本文主要工作 | 第15页 |
| 1.5.2 本文结构安排 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-30页 |
| 2.1 稀疏表示 | 第17-19页 |
| 2.1.1 稀疏表示数学模型 | 第17-18页 |
| 2.1.2 稀疏系数的求解 | 第18-19页 |
| 2.2 稀疏表示的主流优化算法 | 第19-22页 |
| 2.2.1 贪婪算法 | 第19-20页 |
| 2.2.2 凸松弛优化算法 | 第20-22页 |
| 2.3 主成分分析(PCA)算法 | 第22-23页 |
| 2.3.1 PCA原理概述 | 第22页 |
| 2.3.2 PCA线性投影特征提取 | 第22-23页 |
| 2.4 低秩矩阵恢复算法 | 第23-25页 |
| 2.4.1 低秩矩阵恢复原理 | 第23-24页 |
| 2.4.2 低秩矩阵恢复数学模型 | 第24-25页 |
| 2.5 低秩矩阵恢复经典求解算法 | 第25-28页 |
| 2.5.1 奇异值阈值法 | 第25-26页 |
| 2.5.2 加速近端梯度法 | 第26-27页 |
| 2.5.3 非严格增广拉格朗日乘子法 | 第27-28页 |
| 2.6 RPCA求解算法比较 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于低秩子空间投影的稀疏表示人脸识别算法 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 基于稀疏表示的人脸识别算法 | 第30-32页 |
| 3.3 二维Gabor小波特征提取方法 | 第32-34页 |
| 3.4 基于低秩子空间的Gabor特征字典构造 | 第34-35页 |
| 3.5 分类策略 | 第35-36页 |
| 3.6 实验结果及分析 | 第36-42页 |
| 3.6.1 Extend Yale B人脸库上的实验 | 第37-39页 |
| 3.6.2 AR人脸库上的实验 | 第39-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于判别性RPCA和鲁棒稀疏表示的图像对齐与识别 | 第43-60页 |
| 4.1 引言 | 第43-44页 |
| 4.2 鲁棒稀疏表示分类算法 | 第44-45页 |
| 4.3 基于Fisher判别准则的RPCA批量图像对齐方法 | 第45-48页 |
| 4.3.1 基于RPCA的批量图像对齐原理 | 第45-47页 |
| 4.3.2 基于Fisher判别准则的RPCA批量图像对齐模型 | 第47-48页 |
| 4.4 判别性RPCA批量图像对齐模型的线性化 | 第48-49页 |
| 4.4.1 Fisher判别准则线性化 | 第48-49页 |
| 4.4.2 目标函数线性化 | 第49页 |
| 4.5 判别性RPCA批量图像对齐模型求解方法 | 第49-53页 |
| 4.5.1 对齐变换矩阵的求解—仿射变换 | 第49-51页 |
| 4.5.2 判别性RPCA批量图像对齐模型的外层循环 | 第51-52页 |
| 4.5.3 内层凸优化模型的IALM求解方法 | 第52-53页 |
| 4.6 基于鲁棒稀疏表示的分类策略 | 第53-54页 |
| 4.7 实验结果及分析 | 第54-59页 |
| 4.7.1 LFW人脸数据库上的实验及分析 | 第54-58页 |
| 4.7.2 MNIST数字手写体数据库上的实验及分析 | 第58-59页 |
| 4.8 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 今后的工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第67页 |
