| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 人脸识别的研究现状 | 第11-12页 |
| 1.3 论文的主要内容与结构安排 | 第12-14页 |
| 第二章 人脸图像特征提取 | 第14-24页 |
| 2.1 常用人脸数据库 | 第14-15页 |
| 2.2 人脸图像定位 | 第15-16页 |
| 2.3 人脸图像预处理 | 第16-17页 |
| 2.4 PCA 与 ICA 相结合的特征提取 | 第17-21页 |
| 2.4.1 基于 PCA 的人脸表示 | 第17-18页 |
| 2.4.2 FastICA 算法实现过程 | 第18-20页 |
| 2.4.3 基于 FastICA 的人脸特征提取 | 第20-21页 |
| 2.5 实验结果及分析 | 第21-22页 |
| 2.6 本章小结 | 第22-24页 |
| 第三章 基于支持向量机的人脸识别 | 第24-46页 |
| 3.1 统计学习理论 | 第24-26页 |
| 3.1.1 VC 维理论 | 第24-25页 |
| 3.1.2 推广性的界 | 第25页 |
| 3.1.3 结构风险最小化 | 第25-26页 |
| 3.2 支持向量机原理 | 第26-31页 |
| 3.2.1 最优分类面 | 第26-27页 |
| 3.2.2 SVM 模型 | 第27-28页 |
| 3.2.3 核函数的选择及参数设置 | 第28-31页 |
| 3.3 GSPSO 算法训练 SVM | 第31-39页 |
| 3.3.1 标准粒子群算法 | 第31-34页 |
| 3.3.2 改进 SPSO 算法 | 第34-38页 |
| 3.3.3 改进 SPSO 算法训练支持向量机用于人脸识别 | 第38-39页 |
| 3.4 实验结果及分析 | 第39-43页 |
| 3.4.1 Benchmark 函数的测试结果 | 第39-40页 |
| 3.4.2 两种算法用于人脸识别结果 | 第40-43页 |
| 3.5 本章小结 | 第43-46页 |
| 第四章 基于极限学习机的人脸识别 | 第46-66页 |
| 4.1 极限学习机 | 第46-49页 |
| 4.2 SPSO-ELM 人脸识别算法 | 第49-52页 |
| 4.3 实验结果及分析 | 第52-64页 |
| 4.4 SVM 和 ELM 识别结果对比 | 第64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文工作与总结 | 第66-67页 |
| 5.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 在学期间发表的学术论文 | 第74页 |