| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 相关文献综述 | 第12-17页 |
| 1.2.1 虹膜识别技术研究现状 | 第13-14页 |
| 1.2.2 保持局部特征的LDA算法研究现状 | 第14-15页 |
| 1.2.3 单样本图像识别算法研究现状 | 第15-17页 |
| 1.3 本文主要研究内容 | 第17-20页 |
| 第二章 相关算法基础 | 第20-28页 |
| 2.1 特征提取算法 | 第20-25页 |
| 2.1.1 全局特征提取算法 | 第20-22页 |
| 2.1.2 局部特征提取算法 | 第22-25页 |
| 2.2 模式分类算法 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 基于局部保持投影的质量不完美牛眼虹膜识别算法 | 第28-42页 |
| 3.1 质量不完美牛眼虹膜识别问题描述 | 第28-29页 |
| 3.2 LDA算法的局限性分析 | 第29-32页 |
| 3.3 2DLP-LDA算法设计 | 第32-35页 |
| 3.3.1 保持局部特征的类内散布矩阵 | 第32-33页 |
| 3.3.2 保持局部特征的类间散布矩阵 | 第33-34页 |
| 3.3.3 特征提取与分类 | 第34-35页 |
| 3.3.4 2DLP-LDA算法步骤 | 第35页 |
| 3.4 实验评估与分析 | 第35-40页 |
| 3.4.1 算法有效性分析 | 第36-38页 |
| 3.4.2 算法泛化能力分析 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于虚拟图像生成的数量不完美牛眼虹膜识别算法 | 第42-54页 |
| 4.1 数量不完美牛眼虹膜识别问题描述 | 第42-43页 |
| 4.2 VI-MDA算法设计 | 第43-49页 |
| 4.2.1 虚拟图像生成 | 第43-46页 |
| 4.2.2 特征提取 | 第46-48页 |
| 4.2.3 分类识别 | 第48-49页 |
| 4.3 实验评估与分析 | 第49-53页 |
| 4.3.1 算法有效性分析 | 第49-50页 |
| 4.3.2 算法泛化能力分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-57页 |
| 5.1 论文总结 | 第54-55页 |
| 5.2 工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 硕士期间完成的论文、专利和参与的项目 | 第64页 |