基于改进最大间距准则的人脸识别研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-14页 |
| ·选题背景及研究意义 | 第7-8页 |
| ·人脸识别的研究背景 | 第7页 |
| ·人脸识别的研究意义 | 第7-8页 |
| ·人脸识别技术的研究现状及发展趋势 | 第8-10页 |
| ·人脸识别技术的研究现状 | 第8-9页 |
| ·人脸识别的主要研究内容 | 第9-10页 |
| ·人脸识别技术的发展趋势 | 第10页 |
| ·人脸识别的研究方法 | 第10-12页 |
| ·基于几何特征的方法 | 第10-11页 |
| ·基于子空间分析的方法 | 第11页 |
| ·基于机器学习的方法 | 第11-12页 |
| ·基于流形学习的方法 | 第12页 |
| ·本文的工作及论文组织结构 | 第12-14页 |
| 2 人脸图像预处理 | 第14-24页 |
| ·人脸图像的灰度变换 | 第14-15页 |
| ·人脸图像增强 | 第15-21页 |
| ·图像平滑滤波 | 第16-18页 |
| ·图像模糊增强 | 第18-21页 |
| ·人脸图像的灰度规范化 | 第21-22页 |
| ·直方图均衡化 | 第21-22页 |
| ·灰度归一化 | 第22页 |
| ·灰度级插值 | 第22页 |
| ·本章小结 | 第22-24页 |
| 3 基于线性子空间的人脸特征提取方法 | 第24-37页 |
| ·基于主成分分析的特征提取方法 | 第24-25页 |
| ·基本原理 | 第24-25页 |
| ·PCA 的优缺点 | 第25页 |
| ·基于线性判别分析的特征提取方法 | 第25-29页 |
| ·LDA 算法原理 | 第25-26页 |
| ·Fisher 判别分析(FDA) | 第26-27页 |
| ·最大间距准则(MMC) | 第27-29页 |
| ·基于统计不相关性的加权最大间距准则特征提取方法 | 第29-31页 |
| ·加权最大间距准则 | 第29-30页 |
| ·具有统计不相关性的最优鉴别矢量集求法 | 第30-31页 |
| ·算法流程 | 第31页 |
| ·实验结果与分析 | 第31-36页 |
| ·平衡系数的估计 | 第32-33页 |
| ·在ORL 人脸库上的实验 | 第33-34页 |
| ·在Yale 人脸库上的实验 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 4 基于对称最大间距准则的人脸识别方法 | 第37-45页 |
| ·图像的镜像变换与奇偶分解 | 第37-39页 |
| ·图像的镜像变换 | 第37-39页 |
| ·奇偶对称分解原理 | 第39页 |
| ·对称最大间距准则方法 | 第39-41页 |
| ·基本思想 | 第39-40页 |
| ·算法流程 | 第40-41页 |
| ·实验结果与分析 | 第41-44页 |
| ·在ORL 人脸库上的实验 | 第41-43页 |
| ·在Yale 人脸库上的实验 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5 结论 | 第45-46页 |
| ·总结 | 第45页 |
| ·展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50页 |
