基于卷积神经网络的嵌入式指静脉识别系统
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 研究现状及难点 | 第13-17页 |
| 1.3.1 手指静脉识别现状 | 第13-15页 |
| 1.3.2 手指静脉防伪现状 | 第15-16页 |
| 1.3.3 手指静脉图像质量评价研究现状 | 第16-17页 |
| 1.3.4 卷积神经网络现状 | 第17页 |
| 1.4 手指静脉识别系统的性能评估 | 第17-18页 |
| 1.5 课题研究的难点 | 第18页 |
| 1.6 本文的创新 | 第18-19页 |
| 1.7 本文组织结构 | 第19-21页 |
| 第二章 系统设计 | 第21-28页 |
| 2.1 系统总体设计 | 第21页 |
| 2.2 硬件系统设计 | 第21-25页 |
| 2.2.1 嵌入式核心板选择 | 第21-22页 |
| 2.2.2 光源的选择 | 第22-23页 |
| 2.2.3 摄像头的选择 | 第23-24页 |
| 2.2.4 调光控制模块 | 第24-25页 |
| 2.2.5 触摸显示屏 | 第25页 |
| 2.3 软件系统设计 | 第25-27页 |
| 2.4 系统算法设计 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 手指静脉图像仿冒检测 | 第28-41页 |
| 3.1 问题分析 | 第28页 |
| 3.2 图像预处理 | 第28-32页 |
| 3.2.1 图像选择 | 第28-30页 |
| 3.2.2 手指区域定位 | 第30-32页 |
| 3.3 高通滤波器获取高频图像 | 第32-34页 |
| 3.4 提取纹理特征及SVM分类 | 第34-35页 |
| 3.5 伪冒数据库构建 | 第35-39页 |
| 3.5.1 构建伪冒数据库 | 第35-38页 |
| 3.5.2 伪冒攻击实验 | 第38-39页 |
| 3.6 实验结果及分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 手指静脉图像质量评价 | 第41-55页 |
| 4.1 问题分析 | 第41-42页 |
| 4.2 手指静脉图像增强与分割 | 第42-47页 |
| 4.2.1 静脉图像灰度归一化 | 第43页 |
| 4.2.2 图像模糊增强 | 第43-47页 |
| 4.2.3 图像增强效果对比分析 | 第47页 |
| 4.3 基于静脉点提取的质量评价方法 | 第47-50页 |
| 4.3.1 由二值图像和灰度图获取静脉点 | 第48-49页 |
| 4.3.2 计算手指静脉图像质量分数 | 第49-50页 |
| 4.4 实验结果及分析 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于纹理和方向的特征提取及识别 | 第55-68页 |
| 5.1 基于模板匹配的ROI区域定位 | 第55-57页 |
| 5.2 基于纹理特征提取 | 第57-60页 |
| 5.3 基于方向特征提取 | 第60-61页 |
| 5.4 分数级融合 | 第61-63页 |
| 5.5 构建具有手指轴向偏转特性的数据库 | 第63-64页 |
| 5.6 实验结果及分析 | 第64-67页 |
| 5.7 本章小结 | 第67-68页 |
| 第六章 基于卷积神经网络的特征提取及识别 | 第68-77页 |
| 6.1 引言 | 第68页 |
| 6.2 卷积神经网络基本组成部分 | 第68-71页 |
| 6.3 提出的网络结构 | 第71-73页 |
| 6.4 实验结果及分析 | 第73-76页 |
| 6.4.1 数据库扩充 | 第73-74页 |
| 6.4.2 实验设计及训练 | 第74页 |
| 6.4.3 实验结果 | 第74-76页 |
| 6.5 本章小结 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 攻读硕士学位期间取得的研究成果 | 第86-87页 |
| 已发表论文 | 第86页 |
| 已申请专利 | 第86-87页 |
| 致谢 | 第87-88页 |
| 附件 | 第88页 |
