基于加权组稀疏表示的人脸识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 维数约简技术的研究现状 | 第11-13页 |
| 1.2.2 稀疏分类器的研究现状 | 第13-14页 |
| 1.3 本文主要内容与结构安排 | 第14-16页 |
| 第2章 人脸识别基本理论框架 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 特征挖掘 | 第16-22页 |
| 2.2.1 局部二值模型法 | 第18-19页 |
| 2.2.2 Gabor小波法 | 第19-20页 |
| 2.2.3 维数约简法 | 第20-22页 |
| 2.3 鉴别判定 | 第22-24页 |
| 2.3.1 K近邻分类模型 | 第22-23页 |
| 2.3.2 支持向量机模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于非稀疏型特征约简的人脸识别技术 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 局部保持Fisher鉴别分析算法 | 第25-27页 |
| 3.2.1 算法核心思想描述 | 第25-26页 |
| 3.2.2 算法数值分析 | 第26-27页 |
| 3.3 局部判别投影分析算法 | 第27-29页 |
| 3.3.1 算法构建框架 | 第27-29页 |
| 3.3.2 模型求解策略 | 第29页 |
| 3.4 实验结果与分析 | 第29-32页 |
| 3.4.1 实验设置描述 | 第29-30页 |
| 3.4.2 人脸识别率对比 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于样本加权组稀疏表示的人脸识别方法 | 第33-46页 |
| 4.1 引言 | 第33-36页 |
| 4.2 相关工作 | 第36-38页 |
| 4.2.1 稀疏表示分类器（SRC） | 第36-37页 |
| 4.2.2 组稀疏分类器（GSC） | 第37页 |
| 4.2.3 加权稀疏表示分类器（WSRC） | 第37页 |
| 4.2.4 线性回归分类器（LRC） | 第37-38页 |
| 4.3 样本加权组稀疏表示方法 | 第38-41页 |
| 4.3.1 样本加权组稀疏表示模型 | 第38-39页 |
| 4.3.2 算法优化求解 | 第39-41页 |
| 4.3.3 收敛性分析 | 第41页 |
| 4.4 人脸识别实验与分析 | 第41-44页 |
| 4.4.1 模型最优参数选择 | 第42-43页 |
| 4.4.2 人脸识别率对比 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 基于特征加权组稀疏鉴别投影的人脸识别方法 | 第46-58页 |
| 5.1 引言 | 第46-47页 |
| 5.2 稀疏保持投影算法 | 第47-48页 |
| 5.3 特征加权组稀疏系数构建模型 | 第48-51页 |
| 5.3.1 特征加权组稀疏表示模型 | 第49-50页 |
| 5.3.2 模型优化求解 | 第50-51页 |
| 5.4 特征加权组稀疏鉴别投影算法 | 第51-54页 |
| 5.4.1 算法描述 | 第51-53页 |
| 5.4.2 算法优化求解 | 第53-54页 |
| 5.5 人脸识别实验与分析 | 第54-57页 |
| 5.5.1 模型最优参数选择 | 第54页 |
| 5.5.2 原空间人脸识别率对比 | 第54-55页 |
| 5.5.3 子空间人脸识别率对比 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 总结和展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第66页 |
