| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 虹膜识别技术的概述 | 第9-10页 |
| 1.2 虹膜识别技术的应用 | 第10页 |
| 1.3 虹膜识别技术的发展现状及存在的问题 | 第10-12页 |
| 1.4 人工神经网络概述 | 第12页 |
| 1.5 本文的主要工作和创新点 | 第12-14页 |
| 第二章 虹膜识别方法 | 第14-24页 |
| 2.1 虹膜识别流程 | 第14-20页 |
| 2.1.1 虹膜图像的采集 | 第14-15页 |
| 2.1.2 虹膜的定位 | 第15-16页 |
| 2.1.3 眼皮和睫毛的检测 | 第16-17页 |
| 2.1.4 虹膜的归一化处理 | 第17-18页 |
| 2.1.5 虹膜图像的特征提取和匹配 | 第18-20页 |
| 2.2 虹膜库的介绍 | 第20-24页 |
| 2.2.1 CASIA-Iris-Interval虹膜库 | 第20-21页 |
| 2.2.2 CASIA-Iris-Lamp虹膜库 | 第21页 |
| 2.2.3 CASIA-Iris-Twins虹膜库 | 第21-22页 |
| 2.2.4 CASIA-Iris-Distance虹膜库 | 第22页 |
| 2.2.5 CASIA-Iris-Thousa nd虹膜库 | 第22-23页 |
| 2.2.6 CASIA-Iris-Syn虹膜库 | 第23-24页 |
| 第三章 基于形态学的虹膜图像定位的改进 | 第24-33页 |
| 3.1 虹膜图像的定位算法 | 第24-27页 |
| 3.2 基于形态学的滤波方法 | 第27-29页 |
| 3.2.1 形态学的基本方法 | 第27-28页 |
| 3.2.2 基于膨胀运算的滤波算法 | 第28-29页 |
| 3.3 基于形态学滤波的虹膜定位算法 | 第29-30页 |
| 3.4 实验结果及分析 | 第30-33页 |
| 第四章 PCNN理论分析 | 第33-42页 |
| 4.1 PCNN模型 | 第33-34页 |
| 4.2 PCNN动力学特性分析 | 第34-38页 |
| 4.2.1 非激励脉冲发放周期或频率 | 第34-36页 |
| 4.2.2 激励脉冲发放周期或频率 | 第36-37页 |
| 4.2.3 非激励时神经元脉冲发放周期分析的验证实验 | 第37页 |
| 4.2.4 激励时神经元脉冲发放周期分析的验证实验 | 第37-38页 |
| 4.3 PCN N统计理论分析 | 第38-42页 |
| 第五章 基于PCN N的虹膜匹配算法改进 | 第42-49页 |
| 5.1 虹膜特征提取和匹配算法 | 第42-43页 |
| 5.2 基于PCNN的虹膜图像匹配的改进 | 第43-45页 |
| 5.3 识别方法对比 | 第45-47页 |
| 5.4 实验数据对比 | 第47-48页 |
| 5.5 实验小结 | 第48-49页 |
| 第六章 结束语 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士期间完成的论文 | 第55-56页 |
| 致谢 | 第56页 |
