摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-13页 |
缩略语对照表 | 第13-18页 |
第一章 绪论 | 第18-24页 |
1.1 研究背景及意义 | 第18-19页 |
1.1.1 研究背景 | 第18页 |
1.1.2 研究意义 | 第18-19页 |
1.2 研究现状 | 第19-21页 |
1.3 创新点与主要工作 | 第21-22页 |
1.4 论文的章节内容 | 第22-24页 |
第二章 基础知识介绍 | 第24-40页 |
2.1 深度神经网络模型 | 第24-30页 |
2.1.1 卷积神经网络CNN | 第24-27页 |
2.1.2 长短期记忆网络LSTM | 第27-30页 |
2.2 深度学习框架:Caffe和Keras | 第30-32页 |
2.2.1 Caffe | 第30-31页 |
2.2.2 Keras | 第31-32页 |
2.3 流计算框架Spark Streaming | 第32-33页 |
2.4 Android移动终端基础知识 | 第33-35页 |
2.4.1 Android系统 | 第33-34页 |
2.4.2 Camera v2 API简介 | 第34-35页 |
2.5 设计视觉激励基础知识 | 第35-38页 |
2.5.1 Adobe After Effects | 第35-37页 |
2.5.2 bodymovin | 第37页 |
2.5.3 lottie-android | 第37-38页 |
2.6 本章小结 | 第38-40页 |
第三章 基于眼动轨迹的智能移动设备安全鉴权机制 | 第40-54页 |
3.1 安全鉴权机制的系统架构 | 第40-41页 |
3.2 基于眼动轨迹的数据采集方法 | 第41-44页 |
3.2.1 视觉激励信号产生过程 | 第41-43页 |
3.2.2 脸部图像数据采集过程 | 第43-44页 |
3.3 基于流技术的数据预处理方法 | 第44-45页 |
3.4 基于卷积神经网络的静态特征提取方法 | 第45-48页 |
3.5 基于循环卷积神经网络的动态特征提取方法 | 第48-52页 |
3.6 基于支持向量机的分类方法 | 第52-53页 |
3.7 本章小结 | 第53-54页 |
第四章 系统实现细节 | 第54-72页 |
4.1 系统模块实现流程 | 第54-55页 |
4.2 移动终端激励模块的实现 | 第55-59页 |
4.2.1 视觉激励信号子模块的实现 | 第55-57页 |
4.2.2 前置相机拍摄子模块的实现 | 第57-59页 |
4.3 图片接收模块的实现 | 第59-60页 |
4.4 静态特征抽取模块的实现 | 第60-66页 |
4.4.1 数据层 | 第60-62页 |
4.4.2 视觉层和激活层 | 第62-64页 |
4.4.3 其他层 | 第64-65页 |
4.4.4 solver配置文件 | 第65-66页 |
4.5 动态特征抽取模块的实现 | 第66-69页 |
4.5.1 自定义循环卷积神经网络的实现 | 第66-68页 |
4.5.2 训练过程的实现 | 第68-69页 |
4.6 特征分类模块的实现 | 第69-71页 |
4.7 本章小结 | 第71-72页 |
第五章 系统测试与性能分析 | 第72-88页 |
5.1 测试内容与运行环境 | 第72页 |
5.2 移动终端激励模块的测试 | 第72-77页 |
5.2.1 视觉激励信号子模块的测试 | 第72-74页 |
5.2.2 前置相机拍摄子模块的测试 | 第74-77页 |
5.3 图片接收模块的测试 | 第77-78页 |
5.4 静态特征抽取模块的测试 | 第78-79页 |
5.5 动态特征抽取模块的测试 | 第79-82页 |
5.6 特征分类模块的测试 | 第82-87页 |
5.7 本章小结 | 第87-88页 |
第六章 总结与展望 | 第88-90页 |
6.1 工作总结 | 第88页 |
6.2 工作展望 | 第88-90页 |
参考文献 | 第90-96页 |
致谢 | 第96-98页 |
作者简介 | 第98-99页 |