生物特征识别方法与技术

　　《生物特征识别方法与技术》从模式识别的角度进行生物特征识别的方法学研究，主要探讨应用最广泛的人脸、指纹、掌纹等相关的检测、识别、融合技术与方法。《生物特征识别方法与技术》着力于介绍生物特征识别领域目前正在发展的一些新理论和新技术，研究的方法均属于目前模式识别领域十分活跃的方法，包括支持向量机、AdaBoost、流行学习理论、非线性降维、增量学习、松弛标注、摩尔（moir6）特征提取与识别、以及子空间学习等机器学习方法。

暂缺《生物特征识别方法与技术》作者简介

第1章 绪论
1.1 生物特征识别简述
1.1.1 常用的生物特征识别技术
1.1.2 各种常用生物特征识别技术的比较
1.2 生物特征识别技术发展概述
1.2.1 生物特征识别技术的优势
1.2.2 生物特征识别技术的市场发展概况
1.2.3 我国生物特征识别技术发展概述
参考文献
第2章 人脸检测与跟踪
2.1 概述
2.2 AdaBoost学习算法
2.2.1 AdaBoost方法
2.2.2 分类器训练思想
2.2.3 构造弱分类器
2.2.4 构造强分类器
2.2.5 分类器训练流程
2.3 多层级联分类器
2.3.1 多层级联分类器的分类方法
2.3.2 使用级联分类器进行训练
2.3.3 实验结果
2.4 基于AdaBoost的肤色检测新方法
2.4.1 肤色检测方法
2.4.2 肤色分布的分析
2.4.3 实验结果
2.5 人脸跟踪
2.5.1 智能像素聚类目标跟踪算法
2.5.2 简单背景的目标跟踪
2.5.3 人脸跟踪
参考文献
第3章 基于流形学习的人脸识别
3.1 生长型局部线性嵌入算法
3.1.1 生长模型分析
3.1.2 生长型局部线性嵌入算法
3.1.3 GLLE对Isomap算法改进的启发
3.2 噪声流形学习与分析
3.2.1 问题的提出
3.2.2 邻域平滑嵌入算法
3.3 流形学习算法的应用
3.3.1 人脸序列数据库的建立与评测
3.3.2 人脸序列中的流形结构
3.3.3 基于外观流形的动态视频人脸识别
3.3.4 基于流形重构的单图像人脸识别
参考文献
第4章 多姿态人脸识别
4.1 基于保持数据近邻信息的增量学习方法
4.1.1 增量LaplacianEigenmaps（LE）算法
4.1.2 仿真实验
4.2 引入遗忘机制的ART2改进算法
4.2.1 自适应共振理论简介
4.2.2 ARTl神经网络
4.2.3 ART2神经网络
4.2.4 ART2网络存在的问题与改进
4.3 逆转录ARl3算法
4.3.1 ART3神经网络
4.3.2 ARlr3改进算法——ReART
4.3.3 仿真实验
4.3.4 ReART在多姿态人脸识别中的应用
4.4 图像平均重构技术与多姿态人脸识别
4.4.1 自动人脸识别中的图像平均技术
4.4.2 从原始图像到平均脸：加权图像平均技术
4.4.3 从平均脸到原始图像：重构脸的生成
4.4.4 一个识别示例：视频人脸识别
4.4.5 仿真实验
第5章 多特征指纹识别
第6章 掌纹掌脉及其融合识别技术
第7章 人脸与掌纹识别的子空间特征提取方法
参考文献