文摘
英文文摘
声明
第1章绪论
1.1人脸识别概述
1.2特征提取方法的发展
1.3几种线性与非线性特征提取方法简介
1.3.1线性特征提取方法
1.3.2基于“核技术”的非线性特征提取方法
1.3.3基于流行学习的非线性维数压缩技术
1.4本文的研究内容和创新点
1.5本文章节安排
第2章非负矩阵分解方法及其应用
2.1 引言
2.2 NMF的基本理论
2.3两种正交化的基本思想
2.4 NMF的鉴别方法
2.4.1有统计不相关性(或Schmidt正交性)的算法
2.4.2两种分类器
2.5实验与分析
2.5.1 ORL人脸库上的实验
2.5.2 YALE人脸库上的实验
2.5.3图像重构实验
2.6本章小结
第3章组合类别信息的非负矩阵分解方法
3.1 引言
3.2 NMF的算法概括
3.3组合类别信息的NMF算法
3.3.1 CINMF的基本思想
3.3.2基于两种鉴别特征融合的分类器
3.4.1识别率的比较
3.4.2图像重构实验
3.5本章小结
第4章组合类别信息的核主成分分析
4.1 引言
4.2核主成分分析(KPCA)理论
4.3组合类别信息的核主成分分析(CIKPCA)
4.3.1 CIKPCA的实现
4.3.2基于两种特征融合的最近邻分类器
4.4实验与分析
4.4.1 YALE人脸库上的实验
4.4.2 ORL人脸库上的实验
4.4.3 AR人脸库上的实验
4.5本章小结
第5章基于最大间距准则的特征提取方法
5.1 引言
5.2基于最大间距准则的最优鉴别矢量求法
5.3具有统计不相关性的最优鉴别矢量
5.4最大间距准则与Fisher准则的最优鉴别矢量集之间的关系
5.5特征矢量的统计相关性
5.6具有统计不相关性的算法
5.7基于核最大间距准则的特征提取方法
5.7.1核最大间距准则(KMMC)
5.7.2具有统计不相关性的最优核鉴别矢量
5.7.3特征矢量的统计相关性
5.8基于核鉴别准则的具体算法
5.9实验与分析
5.9.1NUST603人脸库上的实验
5.9.2 YALE和ORL人脸库上的实验
5.9.3“留一法”实验(leave-one-out)
5.10本章小结
第6章基于流形学习的特征提取方法
6.1 引言
6.2全局散度、局部散度和非局部散度
6.2.1局部散度
6.2.2非局部散度
6.3基于局部与非局部散度的鉴别准则
6.4具有核权系数的MDP
6.5最大间距鉴别投影(MDP)算法
6.6实验与分析
6.6.1 ORL人脸库上的实验
6.6.2 AR人脸库上的实验
6.7本章小结
第7章基于图像矩阵的无监督鉴别投影
7.1 引言
7.2基于图像矩阵的总体散度、局部散度和非局部散度
7.2.1总体散度
7.2.2局部散度
7.2.3非局部散度
7.2.4基于图像矩阵行方向的鉴别准则
7.3 基于图像矩阵列方向的鉴别准则
7.4 二种基于图像矩阵的投影算法
7.4.2基于图像矩阵双方向的最大间距鉴别投影((2D)2MDP)
7.5实验与分析
7.5.1实验一
7.5.2实验二
7.5.3实验三
7.6本章小结
第8章结束语
参考文献
附录