人脸检测和识别算法的研究与实现
| 独创声明 | 第1页 |
| 学位论文版权使用授权书 | 第3-4页 |
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-12页 |
| 第一章 绪论 | 第12-41页 |
| ·生物特征识别技术 | 第12-17页 |
| ·人脸识别 | 第13页 |
| ·声音识别 | 第13页 |
| ·人脸温谱图识别 | 第13-14页 |
| ·指纹识别 | 第14页 |
| ·掌纹识别 | 第14页 |
| ·手形识别 | 第14页 |
| ·手背脉纹识别 | 第14-15页 |
| ·虹膜识别 | 第15页 |
| ·视网膜识别 | 第15页 |
| ·DNA序列匹配 | 第15页 |
| ·耳形识别 | 第15页 |
| ·步态识别 | 第15-16页 |
| ·签名识别 | 第16页 |
| ·击键动态特征识别 | 第16-17页 |
| ·人脸自动识别技术概述 | 第17-20页 |
| ·人脸识别研究现状及应用前景 | 第18-19页 |
| ·人脸识别的研究内容 | 第19-20页 |
| ·人脸检测方法 | 第20-29页 |
| ·基于知识的方法 | 第21-22页 |
| ·基于特征的方法 | 第22-23页 |
| ·模板匹配 | 第23-24页 |
| ·基于外观的方法 | 第24-29页 |
| ·人脸识别方法 | 第29-39页 |
| ·基于子空间变换的方法 | 第29-32页 |
| ·基于机器学习的方法 | 第32-33页 |
| ·基于模型的方法 | 第33-35页 |
| ·弹性图匹配方法 | 第35-36页 |
| ·局部特征分析方法 | 第36页 |
| ·基于几何特征的方法 | 第36-37页 |
| ·模板匹配法 | 第37-39页 |
| ·本文的组织结构 | 第39-41页 |
| 第二章 彩色图像中的人脸检测 | 第41-64页 |
| ·人脸检测常用的几个彩色空间 | 第41-44页 |
| ·RGB彩色空间 | 第42页 |
| ·标准化 RGB彩色空间 | 第42页 |
| ·HSV彩色空间 | 第42-43页 |
| ·YCrCb彩色空间 | 第43-44页 |
| ·非线性 YCrCb彩色空间 | 第44-47页 |
| ·光线补偿处理 | 第44-45页 |
| ·非线性分段彩色空间变换 | 第45-46页 |
| ·新的非线性彩色空间变换—NYCr’Cb' | 第46-47页 |
| ·从粗到精的自适应人脸分割 | 第47-54页 |
| ·人脸分割总体结构图 | 第47-49页 |
| ·人脸区域的分割 | 第49-54页 |
| ·分割图像预处理 | 第54-56页 |
| ·皮肤区域的数量 | 第54-55页 |
| ·区域内空洞数量 | 第55页 |
| ·区域质心与倾角 | 第55页 |
| ·区域的宽和高 | 第55-56页 |
| ·模板匹配 | 第56-57页 |
| ·检测结果 | 第57-59页 |
| ·基于眼睛和嘴部颜色特征的人脸定位 | 第59-64页 |
| ·眼睛映射 | 第59-62页 |
| ·嘴部映射 | 第62页 |
| ·利用眼睛和嘴部的映射定位人脸 | 第62-64页 |
| 第三章 基于主成分分析的人脸识别 | 第64-82页 |
| ·主成分分析方法 | 第64-69页 |
| ·概述 | 第64-65页 |
| ·基本原理 | 第65-66页 |
| ·PCA应用于人脸识别的工作原理 | 第66-67页 |
| ·PCA方法的性能评价 | 第67页 |
| ·PCA系数获取 | 第67-69页 |
| ·基于对称主成分分析的人脸识别方法 | 第69-75页 |
| ·SPCA的原理 | 第70-71页 |
| ·提出的一些重要结论 | 第71-73页 |
| ·特征提取与特征选择 | 第73-74页 |
| ·算法实现步骤及实验结果 | 第74-75页 |
| ·基于核主成分分析的人脸识别 | 第75-82页 |
| ·特征空间中的 PCA | 第76-77页 |
| ·特征空间的点积计算 | 第77-78页 |
| ·核主成分分析 | 第78-79页 |
| ·实验结果分析 | 第79-82页 |
| 第四章 基于小波变换的人脸识别方法 | 第82-107页 |
| ·引言 | 第82页 |
| ·小波变换及其性质 | 第82-88页 |
| ·连续小波变换的定义 | 第82-83页 |
| ·小波变换的主要性质 | 第83-85页 |
| ·离散小波变换 | 第85页 |
| ·多分辨率分析 | 第85-87页 |
| ·二维小波变换 | 第87-88页 |
| ·基于小波变换的图像低维表示 | 第88-93页 |
| ·小波基函数的选取 | 第89页 |
| ·子图像的选取 | 第89-92页 |
| ·人脸图像的小波分解 | 第92-93页 |
| ·分类器的选择 | 第93-98页 |
| ·距离度量 | 第93-97页 |
| ·相关性模式识别 | 第97-98页 |
| ·距离和线性相关分类器的实现 | 第98-107页 |
| ·距离分类器的实现结果 | 第98-99页 |
| ·基于线性相关的识别结果 | 第99-107页 |
| 第五章 基于支持向量机的人脸识别 | 第107-122页 |
| ·支持向量机介绍 | 第107-113页 |
| ·支持向量机 | 第108页 |
| ·线性支持向量机 | 第108-111页 |
| ·非线性支持向量机 | 第111-112页 |
| ·核函数的选择 | 第112-113页 |
| ·多分类支持向量机 | 第113-116页 |
| ·多分类支持向量机介绍 | 第113-114页 |
| ·1-v-A SVM | 第114-115页 |
| ·1-v-1 SVM | 第115页 |
| ·DAG SVM | 第115-116页 |
| ·离散余弦变换 | 第116-119页 |
| ·离散余弦变换的原理 | 第117-118页 |
| ·图像的离散余弦变换 | 第118-119页 |
| ·多分类支持向量机用于人脸识别 | 第119-122页 |
| ·多分类支持向量机的人脸识别训练过程 | 第119-120页 |
| ·多分类支持向量机的人脸识别过程 | 第120-122页 |
| 第六章 基于多特征参数人工神经网络人脸识别 | 第122-140页 |
| ·BP神经元网络 | 第122-128页 |
| ·BP神经元网络结构 | 第123页 |
| ·BP神经元网络学习规则 | 第123-125页 |
| ·BP神经元网络的设计分析 | 第125-128页 |
| ·人脸多特征提取分析与实现 | 第128-132页 |
| ·直方图均衡化 | 第128-129页 |
| ·小波变换 | 第129-131页 |
| ·利用 PCA实现特征提取 | 第131-132页 |
| ·用 BP神经元网络实现人脸识别 | 第132-139页 |
| ·多特征分析方法提取的特征向量 | 第132页 |
| ·神经网络结构分析 | 第132-139页 |
| ·实验结果分析 | 第139-140页 |
| 第七章 结论与展望 | 第140-142页 |
| ·本文主要研究成果 | 第140-141页 |
| ·进一步的工作与展望 | 第141-142页 |
| 参考文献 | 第142-159页 |
| 致谢 | 第159-160页 |
| 攻读学位期间发表的论著 | 第160-161页 |
| 个人简历 | 第161页 |
