基于子空间和流形学习的人脸识别算法研究PDF电子书下载

第一章 绪论 1

第一节 引言 1

第二节 研究背景和意义 1

第三节 人脸识别技术概述 7

第四节 国内外研究现状 17

第五节 问题的提出和本书的贡献 18

第六节 本书的组织结构 20

第二章 基于奇异值特征的人脸识别算法 22

第一节 引言 22

第二节 人脸图像的奇异值分解 23

第三节 奇异值特征的性质 23

第四节 基于奇异值特征和支持向量机的人脸识别算法 26

第五节LIBSVM简介 33

第六节 基于自适应加权和局部奇异值分解的人脸识别算法 34

第七节 基于局部奇异值和证据理论的人脸识别算法 39

第八节 本章小结 46

第三章 基于PCA算法的人脸识别 47

第一节 引言 47

第二节 主成分分析（PCA）的原理 48

第三节 基于类内平均脸的模块PCA人脸识别算法 52

第四节 基于自适应加权平均值的模块2DPCA人脸识别算法 57

第五节 本章小结 64

第四章 改进的最大散度差鉴别分析算法 65

第一节 引言 65

第二节 最大散度差鉴别分析 66

第三节 最大散度差鉴别分析的特点 67

第四节 基于类内中间值的最大散度差鉴别分析算法 67

第五节 加权最大散度差鉴别分析算法 73

第六节 基于模糊决策和MSD的单样本人脸识别算法 77

第七节 融合DCT和MSD的人脸识别算法 80

第八节 基于单样本人脸识别算法的深化研究 88

第九节 本章小结 95

第五章 一种有监督保局投影人脸识别算法 96

第一节 引言 96

第二节 保局投影算法 97

第三节 改进的保局投影人脸识别算法（一） 98

第四节 改进的保局投影人脸识别算法（二） 102

第五节 基于特征层融合的人脸识别算法 107

第六节 本章小结 112

第六章 简化的人脸Gabor特征描述算法 113

第一节 引言 113

第二节 关于小波变换 113

第三节Gabor小波简介 116

第四节 一种新的Gabor特征降维方法 121

第五节 最优Gabor核选择算法 126

第六节 基于模块Gabor直方图和支持向量机的人脸识别算法 133

第七节 本章小结 137

第七章 基于Gabor变换的人脸识别算法深化研究 138

第一节 研究意义 138

第二节 国内外研究现状及发展动态分析 139

第三节 研究内容 145

第四节 研究目标 146

第五节 拟解决的关键问题 147

第六节 拟采取的研究方法 147

第七节 实验手段 148

第八节 技术路线 149

第八章 研究工作总结与展望 150

第一节 研究工作总结 150

第二节 研究工作展望 152

第九章 人脸识别应用与发展趋势分析 153

第一节 人脸识别技术应用的正能量 154

第二节 人脸识别技术应用的负能量 155

第三节 人脸识别技术应用市场分析 158

第四节 人脸识别系统简介 159

第五节 人脸识别技术的发展趋势 161

参考文献 165

附录 181

附录一：部分人脸数据库样本 181

附录二：部分仿真子函数（基于MATLAB） 183

附录三：人脸识别技术的重要研究机构 219