首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--安全保密论文

基于眼动轨迹的智能移动设备安全鉴权机制的研究与实现

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

论文共99页,点击 下载论文
上一篇:一种面向合作关系的异质信息网络链路预测方法
下一篇:基于图的谱理论的医学图像聚类方法研究