| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 生物特征识别技术 | 第15-18页 |
| 1.2.1 虹膜识别 | 第15-16页 |
| 1.2.2 人脸识别 | 第16页 |
| 1.2.3 人耳识别 | 第16页 |
| 1.2.4 指纹识别 | 第16-17页 |
| 1.2.5 掌纹识别 | 第17页 |
| 1.2.6 静脉识别 | 第17-18页 |
| 1.3 静脉识别的国内外研究现状 | 第18-21页 |
| 1.3.1 静脉识别产品的研究现状 | 第18-19页 |
| 1.3.2 静脉识别相关算法的研究现状 | 第19-21页 |
| 1.4 论文组织与结构 | 第21-24页 |
| 第2章 基于质量评价的近红外静脉图像采集系统 | 第24-40页 |
| 2.1 概述 | 第24页 |
| 2.2 近红外静脉对象成像原理 | 第24-25页 |
| 2.3 图像采集装置硬件选择及设计 | 第25-29页 |
| 2.3.1 近红外传感器的选择 | 第25-26页 |
| 2.3.2 光源的选择与设计 | 第26-27页 |
| 2.3.3 滤光片的选择 | 第27-28页 |
| 2.3.4 采集装置空间位置的设计 | 第28-29页 |
| 2.4 基于关键信息熵的静脉图像质量评价算法 | 第29-34页 |
| 2.4.1 常见图像质量评价方法分析 | 第29-30页 |
| 2.4.2 基于关键信息熵的静脉图像质量评价方法 | 第30-34页 |
| 2.5 基于静脉图像质量的光强自寻优控制 | 第34-37页 |
| 2.5.1 自寻优控制理论 | 第34-35页 |
| 2.5.2 采集光强的自寻优控制 | 第35-37页 |
| 2.6 实验结果分析 | 第37-38页 |
| 2.7 小结 | 第38-40页 |
| 第3章 基于感兴趣区域函数优化的静脉分割算法 | 第40-50页 |
| 3.1 概述 | 第40-41页 |
| 3.1.1 静脉分割方法研究现状与分析 | 第40-41页 |
| 3.1.2 第二代条带波变换 | 第41页 |
| 3.2 基于CS理论的静脉图像去噪 | 第41-43页 |
| 3.3 基于第二代Bandelet变换的感兴趣区域提取 | 第43-45页 |
| 3.3.1 最佳Bandelet基逼近 | 第43-44页 |
| 3.3.2 最优四叉树的建立 | 第44-45页 |
| 3.4 基于熵与梯度函数优化的静脉分割 | 第45-46页 |
| 3.5 实验结果及分析 | 第46-49页 |
| 3.6 小结 | 第49-50页 |
| 第4章 基于静脉间区域形状的识别算法 | 第50-64页 |
| 4.1 基本概念简介 | 第50-52页 |
| 4.1.1 动态规划求最长公共子序列算法 | 第50-51页 |
| 4.1.2 Hausdorff距离 | 第51-52页 |
| 4.2 细化算法的改进 | 第52-53页 |
| 4.3 基于区域形状的特征提取 | 第53-56页 |
| 4.3.1 区域边缘的脉络曲线描述 | 第54-55页 |
| 4.3.2 基于边缘曲线的特征提取 | 第55-56页 |
| 4.4 基于整体与局部的特征匹配 | 第56-58页 |
| 4.4.1 基于改进的最长公共子序列算法的局部匹配 | 第56-57页 |
| 4.4.2 基于改进Hausdorff距离算法的全局匹配 | 第57-58页 |
| 4.5 实验结果及分析 | 第58-62页 |
| 4.6 小结 | 第62-64页 |
| 第5章 基于分块脊波变换的静脉识别算法 | 第64-78页 |
| 5.1 基本概念简介 | 第64-68页 |
| 5.1.1 脊波变换 | 第64-65页 |
| 5.1.2 主成分分析 | 第65-66页 |
| 5.1.3 支持向量机 | 第66-68页 |
| 5.2 基于分块脊波变换的静脉特征提取 | 第68-71页 |
| 5.2.1 静脉图像的分块 | 第68页 |
| 5.2.2 基于双线性插值的子图像Radon变换 | 第68-69页 |
| 5.2.3 基于脊波变换的子图像特征提取 | 第69-70页 |
| 5.2.4 基于PCA的特征子静脉图像的建立 | 第70-71页 |
| 5.3 基于SVM投票分类的特征匹配 | 第71-72页 |
| 5.4 实验结果及分析 | 第72-75页 |
| 5.4.1 提出算法的实验结果及分析 | 第72-74页 |
| 5.4.2 不同识别算法实验结果比较及分析 | 第74-75页 |
| 5.5 小结 | 第75-78页 |
| 第6章 基于灰度特征稀疏表示的识别算法 | 第78-96页 |
| 6.1 基本概念简介 | 第78-82页 |
| 6.1.1 稀疏表示及压缩感知理论 | 第78-81页 |
| 6.1.2 图像重建算法 | 第81-82页 |
| 6.2 基于多特征稀疏表示的静脉识别算法 | 第82-89页 |
| 6.2.1 静脉图像全局与局部特征提取 | 第82-85页 |
| 6.2.2 基于稀疏表示的静脉匹配算法 | 第85-89页 |
| 6.3 实验结果及分析 | 第89-94页 |
| 6.3.1 基于多特征稀疏表示识别算法实验结果及分析 | 第89-93页 |
| 6.3.2 不同识别算法实验结果比较及分析 | 第93-94页 |
| 6.4 小结 | 第94-96页 |
| 第7章 基于CONTOURLET子带能量多HMM融合的静脉识别算法 | 第96-110页 |
| 7.1 基本概念简介 | 第96-99页 |
| 7.1.1 轮廓波变换 | 第96-97页 |
| 7.1.2 隐马尔科夫模型 | 第97-98页 |
| 7.1.3 K均值聚类算法相关理论 | 第98-99页 |
| 7.2 基于Contourlet子带能量特征多HMM融合的识别算法 | 第99-104页 |
| 7.2.1 静脉图像序列的采集 | 第99-100页 |
| 7.2.2 基于Contourlet变换的静脉特征提取 | 第100-101页 |
| 7.2.3 基于Contourlet子带能量特征的多HMM建立与融合 | 第101-104页 |
| 7.3 实验结果及分析 | 第104-108页 |
| 7.4 小结 | 第108-110页 |
| 第8章 基于最小风险贝叶斯决策的多识别算法融合 | 第110-116页 |
| 8.1 多种静脉识别算法融合原因及分析 | 第110-111页 |
| 8.2 基于最小风险贝叶斯判别准则的算法融合与决策 | 第111-113页 |
| 8.2.1 最小风险贝叶斯决策准则 | 第111页 |
| 8.2.2 多种识别结果的融合与决策 | 第111-113页 |
| 8.3 实验结果及分析 | 第113-115页 |
| 8.4 小结 | 第115-116页 |
| 第9章 总结与展望 | 第116-118页 |
| 9.1 总结 | 第116页 |
| 9.2 展望 | 第116-118页 |
| 参考文献 | 第118-128页 |
| 致谢 | 第128-130页 |
| 读博期间发表的论文及获奖情况 | 第130-131页 |
| 博士期间发表论文 | 第130-131页 |
| 博士期间获奖情况 | 第131页 |
| 博士期间参与基金项目 | 第131页 |
