| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景与意义 | 第9-12页 |
| 1.1.1 生物识别技术 | 第9-10页 |
| 1.1.2 指静脉识别技术的优势 | 第10-12页 |
| 1.2 指静脉识别技术研究现状 | 第12-13页 |
| 1.3 指静脉识别系统的框架 | 第13页 |
| 1.4 本文的研究内容及结构安排 | 第13-15页 |
| 第二章 指静脉图像的采集与识别 | 第15-33页 |
| 2.1 指静脉图像的采集 | 第15-17页 |
| 2.2 指静脉图像预处理 | 第17-22页 |
| 2.2.1 感兴趣区域提取 | 第17-19页 |
| 2.2.2 尺寸归一化 | 第19-21页 |
| 2.2.3 灰度归一化 | 第21-22页 |
| 2.3 指静脉图像特征提取与特征降维 | 第22-28页 |
| 2.3.1 指静脉图像特征提取 | 第22-23页 |
| 2.3.2 指静脉图像特征降维 | 第23-28页 |
| 2.4 指静脉图像识别 | 第28-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 改进的指静脉图像ECA降维算法 | 第33-48页 |
| 3.1 熵成分分析算法 | 第33-36页 |
| 3.2 MECA算法和2DMECA算法 | 第36-41页 |
| 3.2.1 MECA算法的原理 | 第36-39页 |
| 3.2.2 MECA算法的步骤 | 第39-40页 |
| 3.2.3 2DMECA算法 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-47页 |
| 3.3.1 指静脉数据库样本和实验环境 | 第41页 |
| 3.3.2 指静脉的MECA与2DMECA特征降维与识别 | 第41-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于指静脉图像2DGabor和LBP特征的降维 | 第48-58页 |
| 4.1 2D Gabor滤波器 | 第48-50页 |
| 4.2 2D Gabor、LBP与MECA结合的指静脉图像识别 | 第50-57页 |
| 4.2.1 2D Gabor与改进的ECA相结合的特征提取算法用于指静脉识别 | 第51-53页 |
| 4.2.2 局部二值模式算法 | 第53-56页 |
| 4.2.3 GLBP与MECA结合的指静脉图像识别 | 第56-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 基于指静脉图像LBP特征的深度森林识别算法 | 第58-68页 |
| 5.1 决策树 | 第58-60页 |
| 5.2 随机森林 | 第60-61页 |
| 5.3 深度森林 | 第61-64页 |
| 5.4 基于深度森林与LBP直方图特征的指静脉图像识别算法 | 第64-66页 |
| 5.5 实验与分析 | 第66-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68页 |
| 6.2 研究展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 附录 攻读硕士学位期间撰写的论文 | 第73-74页 |
| 致谢 | 第74页 |
