遮挡条件下的人脸识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 人脸识别的研究背景与意义 | 第11-12页 |
| 1.2 人脸识别的研究内容与难点 | 第12-14页 |
| 1.2.1 人脸识别的研究内容 | 第12-13页 |
| 1.2.2 人脸识别的研究难点 | 第13-14页 |
| 1.3 人脸遮挡问题的研究现状 | 第14-15页 |
| 1.4 本文主要工作及章节安排 | 第15-17页 |
| 1.4.1 论文主要工作 | 第15-16页 |
| 1.4.2 论文章节安排 | 第16-17页 |
| 第2章 基础理论及算法介绍 | 第17-21页 |
| 2.1 经典特征提取算法 | 第17-19页 |
| 2.1.1 主成分分析法 | 第17-18页 |
| 2.1.2 二维Gabor滤波器 | 第18页 |
| 2.1.3 线性判别分析法 | 第18-19页 |
| 2.2 稀疏表示分类 | 第19页 |
| 2.3 CV活动轮廓模型 | 第19-20页 |
| 2.4 最近邻分类器 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 现有特征提取方法在人脸识别中的应用 | 第21-32页 |
| 3.1 基于数学变换的特征提取 | 第21-27页 |
| 3.1.1 二维Gabor函数 | 第21-22页 |
| 3.1.2 不同函数下的数学变换 | 第22-25页 |
| 3.1.3 相似度匹配实验 | 第25-26页 |
| 3.1.4 人脸局部特征检测实验 | 第26-27页 |
| 3.2 基于主成分分析法的特征提取 | 第27-31页 |
| 3.2.1 K-L变换原理 | 第27-28页 |
| 3.2.2 特征向量的表示能力 | 第28-29页 |
| 3.2.3 特征向量选择对人脸识别的影响 | 第29-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 基于PCA和二维Gabor的人脸识别算法 | 第32-41页 |
| 4.1 基于双属性模型的PCA算法 | 第32-34页 |
| 4.1.1 基于PCA算法的全局特征向量提取 | 第32页 |
| 4.1.2 基于线性重构的误差特征向量提取 | 第32-33页 |
| 4.1.3 双属性模型 | 第33-34页 |
| 4.2 基于二维Gabor局部特征向量提取 | 第34-35页 |
| 4.3 分类器的设计 | 第35-36页 |
| 4.4 实验分析 | 第36-40页 |
| 4.4.1 实验参数设置 | 第36页 |
| 4.4.2 人脸数据库选择 | 第36-37页 |
| 4.4.3 DAMG算法的性能分析 | 第37-38页 |
| 4.4.4 识别错误的样本分析 | 第38-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于CV模型的双加权误差分布模型 | 第41-53页 |
| 5.1 基于梯度方向的条件概率误差模型 | 第41-44页 |
| 5.1.1 人脸图像的概率分布模型 | 第41-42页 |
| 5.1.2 遮挡区域下的误差分布 | 第42-43页 |
| 5.1.3 非遮挡区域下的误差分布 | 第43页 |
| 5.1.4 整体条件误差分布 | 第43-44页 |
| 5.2 基于CV模型分割遮挡图像 | 第44-45页 |
| 5.3 基于CV模型的双加权误差分布模型 | 第45-46页 |
| 5.3.1 双加权误差分布模型 | 第45-46页 |
| 5.3.2 双加权误差分布模型的优化 | 第46页 |
| 5.4 实验结果与分析 | 第46-52页 |
| 5.4.1 实验参数选择 | 第46-47页 |
| 5.4.2 人脸图像随机遮挡识别实验 | 第47-49页 |
| 5.4.3 人脸五官遮挡识别实验 | 第49-51页 |
| 5.4.4 真实人脸遮挡识别实验 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结和展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
