| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 人脸识别研究的背景和意义 | 第11-13页 |
| 1.2 人脸识别的发展历程和研究现状 | 第13-15页 |
| 1.2.1 发展历程 | 第13-14页 |
| 1.2.2 研究现状 | 第14-15页 |
| 1.3 人脸识别面临的挑战 | 第15-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 1.5 本文结构安排 | 第18-19页 |
| 第2章 人脸识别及数据降维的主要方法 | 第19-28页 |
| 2.1 人脸识别的主要方法 | 第19-21页 |
| 2.1.1 基于模板匹配的方法 | 第19-20页 |
| 2.1.2 基于几何特征的方法 | 第20页 |
| 2.1.3 基于特征脸的方法 | 第20页 |
| 2.1.4 基于人工神经网络的方法 | 第20-21页 |
| 2.1.5 基于隐马尔可夫模型的方法 | 第21页 |
| 2.1.6 基于支持向量机的方法 | 第21页 |
| 2.2 数据降维的主要方法 | 第21-27页 |
| 2.2.1 线性降维算法 | 第22-25页 |
| 2.2.2 非线性降维算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于稀疏表示的构图方法概述 | 第28-40页 |
| 3.1 人脸图像的稀疏表示 | 第28-29页 |
| 3.2 基于稀疏表示的分类 | 第29-33页 |
| 3.3 基于稀疏表示的构图 | 第33-37页 |
| 3.3.1 基于欧氏距离的构图方法 | 第33-35页 |
| 3.3.2 基于稀疏表示的构图方法 | 第35-37页 |
| 3.4 实验对比分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 稀疏构图方法在 LPP 和 NPE 算法中的应用 | 第40-55页 |
| 4.1 局部保留投影算法（LPP） | 第40-43页 |
| 4.2 领域保持嵌入算法（NPE） | 第43-45页 |
| 4.3 实验数据库 | 第45-47页 |
| 4.4 实验对比分析 | 第47-53页 |
| 4.4.1 LPP算法与SR-LPP算法对比实验 | 第48-50页 |
| 4.4.2 NPE算法与SR-NPE算法对比实验 | 第50-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简介及科研情况 | 第60-61页 |
| 致谢 | 第61页 |