| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 主要符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究的背景及意义 | 第11页 |
| ·人脸识别系统的组成 | 第11-12页 |
| ·子空间线性投影人脸识别方法的研究现状与进展 | 第12-15页 |
| ·主成分分析 | 第13页 |
| ·线性判别分析 | 第13-14页 |
| ·独立成分分析 | 第14页 |
| ·非负矩阵分解 | 第14-15页 |
| ·论文实验所用的人脸数据库 | 第15-16页 |
| ·本文的组织结构 | 第16-18页 |
| 第二章 人脸图像预处理 | 第18-23页 |
| ·图像的几何归一化 | 第18-19页 |
| ·图像的灰度归一化 | 第19-21页 |
| ·均值方差归一化 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 两种典型人脸识别方法的研究 | 第23-39页 |
| ·主成分分析方法 | 第23-29页 |
| ·主成分分析基本原理 | 第23-24页 |
| ·基于主成分分析的人脸识别方法 | 第24-28页 |
| ·基于主成分分析的人脸重构 | 第28-29页 |
| ·线性判别分析方法 | 第29-34页 |
| ·线性判别分析和主成分分析的比较 | 第29-30页 |
| ·线性判别分析原理 | 第30-31页 |
| ·线性判别分析在人脸识别中的应用 | 第31-34页 |
| ·高维小样本情况下线性判别分析的方法 | 第34页 |
| ·距离分类器 | 第34-35页 |
| ·仿真实验及结果分析 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于ICA 和二叉树支持向量机的人脸识别方法 | 第39-57页 |
| ·独立成分分析的理论基础 | 第39-41页 |
| ·独立成分分析与盲源分离 | 第39-40页 |
| ·独立成分分析的线性模型 | 第40-41页 |
| ·独立成分分析的算法研究 | 第41-45页 |
| ·独立成分分析的目标函数 | 第42页 |
| ·独立成分分析的优化算法 | 第42-43页 |
| ·FastICA 在人脸识别中的应用 | 第43-45页 |
| ·基于支持向量机的多类分类方法研究 | 第45-53页 |
| ·支持向量机的理论内容 | 第45-50页 |
| ·几种常用的支持向量机多类分类方法 | 第50-51页 |
| ·改进的二叉树支持向量机多类分类算法 | 第51-53页 |
| ·仿真实验及结果分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 基于非负矩阵分解的人脸识别方法 | 第57-66页 |
| ·非负矩阵分解理论 | 第57-59页 |
| ·非负矩阵分解的提出 | 第57页 |
| ·非负矩阵分解的问题描述 | 第57-58页 |
| ·非负矩阵分解的目标函数 | 第58页 |
| ·非负矩阵分解的迭代规则 | 第58-59页 |
| ·非负矩阵分解方法的改进 | 第59-63页 |
| ·局部非负矩阵分解 | 第59-60页 |
| ·非负矩阵稀疏分解 | 第60-62页 |
| ·其它算法 | 第62-63页 |
| ·仿真实验及结果分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·总结 | 第66-67页 |
| ·未来工作的展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 个人简历 在读期间发表的学术论文 | 第73页 |