| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及研究意义 | 第11-12页 |
| 1.2 人脸识别问题描述 | 第12页 |
| 1.3 人脸识别技术的研究现状 | 第12-13页 |
| 1.4 特征提取方法发展研究 | 第13-15页 |
| 1.5 人脸识别中存在的难点 | 第15-16页 |
| 1.6 本文的主要工作内容和组织结构 | 第16-18页 |
| 第2章 人脸识别中常用的方法 | 第18-30页 |
| 2.1 人脸检测与定位的基本方法 | 第18-19页 |
| 2.2 人脸图像的预处理 | 第19页 |
| 2.3 人脸图像特征提取方法 | 第19-26页 |
| 2.3.1 全局特征提取方法 | 第19-22页 |
| 2.3.1.1 主成分分析(Principal component analysis，PCA) | 第19-20页 |
| 2.3.1.2 线性判别分析(Linear Discriminant analysis，LDA) | 第20-21页 |
| 2.3.1.3 稀疏表述法 | 第21-22页 |
| 2.3.1.4 无监督判别投影(Unsupervised Discriminant Projection，UDP) | 第22页 |
| 2.3.2 局部特征提取方法 | 第22-26页 |
| 2.3.2.1 局部二元模式(Local Binary Patterns，LBP) | 第22-24页 |
| 2.3.2.2 Gabor 小波分析 | 第24-25页 |
| 2.3.2.3 非负矩阵分解(Nonnegative Matrix Factorization，NMF) | 第25页 |
| 2.3.2.4 方向边缘幅值模式(Patterns of Edge Magtitude，POEM) | 第25-26页 |
| 2.4 分类器设计 | 第26-29页 |
| 2.4.1 最邻近分类 | 第26-27页 |
| 2.4.2 支持向量机(Support Vector Machines，SVM) | 第27-28页 |
| 2.4.3 Adaboost | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 图像单演信号表述 | 第30-48页 |
| 3.1 单演信号理论基础 | 第30-34页 |
| 3.1.1 相关知识 | 第30页 |
| 3.1.2 希尔伯特变换 | 第30-31页 |
| 3.1.3 Riesz 变换 | 第31-33页 |
| 3.1.4 解析信号表述 | 第33-34页 |
| 3.2 单演信号分析 | 第34页 |
| 3.3 多尺度单演信号分析 | 第34-36页 |
| 3.4 单演幅值二值模式(Monogenic Binary Patterns，MBP) | 第36-38页 |
| 3.4.1 单演幅值编码 | 第36-38页 |
| 3.4.2 单演幅值二值模式直方图 | 第38页 |
| 3.5 单演局部相位异或编码模式 (Monogenic Local Phase XOR Encoding Patterns，MLXP) | 第38-41页 |
| 3.6 融合 MBP 和 MLXP 特征 | 第41-43页 |
| 3.6.1 低维特征提取 | 第41-42页 |
| 3.6.2 基于块的特征融合 | 第42-43页 |
| 3.7 实验结果及分析 | 第43-47页 |
| 3.8 本章小结 | 第47-48页 |
| 第4章 多模式韦伯局部特征 | 第48-63页 |
| 4.1 韦伯局部描述算子(Weber Local Description，WLD) | 第48-52页 |
| 4.1.1 韦伯定律 | 第48页 |
| 4.1.2 韦伯局部描述算子 | 第48-51页 |
| 4.1.2.1 差异激励 | 第48-50页 |
| 4.1.2.2 韦伯梯度方向 | 第50-51页 |
| 4.1.3 WLD 直方图 | 第51页 |
| 4.1.4 WLD 的特点 | 第51-52页 |
| 4.2 多模式韦伯特征 | 第52-55页 |
| 4.2.1 韦伯差异激励预处理 | 第52-53页 |
| 4.2.2 韦伯差异激励方向分解 | 第53-55页 |
| 4.2.3 韦伯方向差分二值模式 | 第55页 |
| 4.3 融合 WLODEP 和 WODP 特征 | 第55-57页 |
| 4.4 实验结果及分析 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 单演相位差分模式 | 第63-71页 |
| 5.1 相位差分模式 | 第63-66页 |
| 5.1.1 相位差分分析 | 第63-64页 |
| 5.1.2 单演相位差分二值模式(Monogenic Phase Different Binary Patterns，MPDBP) | 第64-66页 |
| 5.2 单演相位差分二值统计模式(Monogenic Phase Different Binary Statistical Patterns，MPDBSP) | 第66-67页 |
| 5.3 实验结果及分析 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 多模式单演特征 | 第71-79页 |
| 6.1 基于单演幅值的韦伯差异激励二值模式 | 第71-73页 |
| 6.2 单演主方向模式(Monogenic Dominant Orientation Patterns，MDOP) | 第73-75页 |
| 6.2.1 基于 PCA 的梯度主方向信息求取 | 第73-74页 |
| 6.2.2 单演局部区域主方向编码 | 第74-75页 |
| 6.3 融合多模式单演特征的人脸识别 | 第75页 |
| 6.4 实验结果及分析 | 第75-78页 |
| 6.5 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 参考文献 | 第81-88页 |
| 致谢 | 第88-89页 |
| 附录(攻读学位期间所发表的论文) | 第89页 |
