| 摘要 | 第1-8页 |
| ABSTRACT | 第8-13页 |
| 主要符号对照表 | 第13-14页 |
| 第一章 绪论 | 第14-30页 |
| ·研究背景 | 第14页 |
| ·性别分类研究现状 | 第14-23页 |
| ·基于性别分类的特征方法 | 第17-19页 |
| ·基于人脸的内部特征 | 第17-18页 |
| ·外部特征 | 第18-19页 |
| ·模式分类方法 | 第19-23页 |
| ·神经网络 | 第19-20页 |
| ·支持向量机 | 第20-23页 |
| ·K近邻 | 第23页 |
| ·最小最大模块化网络 | 第23-28页 |
| ·最小最大模块化多层感知器 | 第25-26页 |
| ·最小最大模块化支持向量机 | 第26-28页 |
| ·论文安排 | 第28-30页 |
| 第二章 基于人脸特征的性别分类 | 第30-68页 |
| ·引言 | 第30页 |
| ·人脸图像预处理 | 第30-33页 |
| ·图像灰度化 | 第30-31页 |
| ·人脸检测及眼睛定位 | 第31-32页 |
| ·几何归一化 | 第32页 |
| ·直方图均衡化 | 第32-33页 |
| ·基于高斯金字塔的多分辨率分析 | 第33-35页 |
| ·高斯滤波器 | 第34页 |
| ·高斯金字塔 | 第34-35页 |
| ·多尺度多方向Gabor滤波器 | 第35-40页 |
| ·傅立叶变换 | 第35-37页 |
| ·Gabor变换 | 第37页 |
| ·Gabor滤波器 | 第37-40页 |
| ·灰度特征 | 第40-41页 |
| ·SIFT特征 | 第41-42页 |
| ·局部二值模式特征 | 第42-44页 |
| ·局部Gabor二值模式特征 | 第44-45页 |
| ·多分辨率局部Gabor二值模式特征 | 第45-46页 |
| ·高维特征的降维方法 | 第46-49页 |
| ·基于线性判别分析降维的MLGBP | 第47-49页 |
| ·基于中心连接线降维的MLGBP | 第49页 |
| ·性别分类实验 | 第49-67页 |
| ·实验设置 | 第51页 |
| ·实验结果及分析 | 第51-67页 |
| ·MLGBP-LDA与MLGBP-CCL之间的分析 | 第53-58页 |
| ·不同特征的分析比较 | 第58页 |
| ·不同人脸姿态及数据库之间的分析比较 | 第58-61页 |
| ·基于分割方法GIPP和GIED的MLGBP-CCL鲁棒性分析 | 第61-64页 |
| ·基于SVM不同核的比较分析 | 第64-65页 |
| ·复杂性分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第三章 融合人脸与头发特征的性别分类 | 第68-88页 |
| ·引言 | 第68-69页 |
| ·特征提取 | 第69-78页 |
| ·头发特征提取 | 第70-78页 |
| ·几何头发模型 | 第70页 |
| ·头发检测 | 第70-71页 |
| ·头发长度和面积 | 第71-73页 |
| ·头发颜色 | 第73-74页 |
| ·头发纹理 | 第74-75页 |
| ·分头位置 | 第75-78页 |
| ·人脸特征提取 | 第78页 |
| ·基于支持向量机的模糊积分融合 | 第78-82页 |
| ·基于支持向量机的概率输出模型 | 第78-79页 |
| ·模糊积分理论 | 第79-81页 |
| ·支持向量机分类器的融合模型 | 第81-82页 |
| ·实验 | 第82-85页 |
| ·实验数据库 | 第82页 |
| ·基于支持向量机的模糊积分融合实验结果 | 第82-83页 |
| ·性别分类结果 | 第83-85页 |
| ·本章小结 | 第85-88页 |
| 第四章 解码先验知识的模式分类器 | 第88-105页 |
| ·引言 | 第88页 |
| ·带有信用值的支持向量机 | 第88-96页 |
| ·传统的支持向量机 | 第88-89页 |
| ·嵌入信用值到SVM学习算法中 | 第89-96页 |
| ·实验 | 第96-99页 |
| ·性别分类 | 第96页 |
| ·特征提取 | 第96-98页 |
| ·实验设置 | 第98页 |
| ·实验结果及分析 | 第98-99页 |
| ·本章小结 | 第99-105页 |
| 第五章 带有自动估计先验知识的支持向量机 | 第105-118页 |
| ·引言 | 第105-106页 |
| ·带有自动估计信用值的支持向量机 | 第106-108页 |
| ·标记信用值算法 | 第106-107页 |
| ·典型实例分析 | 第107-108页 |
| ·实验 | 第108-117页 |
| ·标准模式分类问题 | 第110-111页 |
| ·性别分类 | 第111-117页 |
| ·实验设置 | 第111-112页 |
| ·特征提取 | 第112页 |
| ·实验结果 | 第112-117页 |
| ·本章小结 | 第117-118页 |
| 第六章 基于自动估计先验知识的最小最大模块化支持向量机 | 第118-131页 |
| ·引言 | 第118页 |
| ·最小最大模块化网络 | 第118-119页 |
| ·任务分解方法 | 第119-120页 |
| ·带有自动信用值的最小最大模块化支持向量机 | 第120-121页 |
| ·实验 | 第121-130页 |
| ·实验设置 | 第121-122页 |
| ·特征提取 | 第122页 |
| ·实验结果 | 第122-123页 |
| ·M~3-SVM与M~3-SVMAC的复杂度分析 | 第123页 |
| ·时间复杂度 | 第123-128页 |
| ·空间复杂度 | 第128-130页 |
| ·本章小结 | 第130-131页 |
| 第七章 总结与展望 | 第131-134页 |
| ·本文的主要贡献 | 第131-132页 |
| ·进一步的研究工作 | 第132-134页 |
| 参考文献 | 第134-144页 |
| 致谢 | 第144-145页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第145页 |
