| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 掌纹识别技术简介 | 第14-17页 |
| 1.2.1 掌纹的特征 | 第15-16页 |
| 1.2.2 掌纹识别的优势 | 第16-17页 |
| 1.2.3 掌纹识别技术的现状 | 第17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-19页 |
| 2 掌纹识别技术理论 | 第19-29页 |
| 2.1 掌纹的采集 | 第19-21页 |
| 2.2 掌纹预处理方法 | 第21-22页 |
| 2.2.1 预处理过程 | 第21-22页 |
| 2.2.2 图像增强 | 第22页 |
| 2.3 掌纹识别算法 | 第22-27页 |
| 2.3.1 基于结构的方法 | 第23页 |
| 2.3.2 基于统计的方法 | 第23-24页 |
| 2.3.3 基于子空间的方法 | 第24-25页 |
| 2.3.4 基于编码的方法 | 第25-26页 |
| 2.3.5 基于特征融合的方法 | 第26-27页 |
| 2.4 掌纹识别的性能评价指标 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于低通滤波与模糊域的掌纹图像预处理算法 | 第29-39页 |
| 3.1 掌纹预处理过程 | 第29-30页 |
| 3.2 系统算法 | 第30-33页 |
| 3.2.1 低通滤波处理过程 | 第30-31页 |
| 3.2.2 图像模糊特征平面 | 第31-32页 |
| 3.2.3 改进的模糊图像增强算法 | 第32-33页 |
| 3.2.4 低通滤波处理与改进的模糊图像增强算法融合 | 第33页 |
| 3.3 实验结果及分析 | 第33-38页 |
| 3.3.1 掌纹数据库 | 第33-34页 |
| 3.3.2 图像增强评价标准 | 第34-35页 |
| 3.3.3 实验结果 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于微调卷积神经网络的非接触掌纹识别 | 第39-55页 |
| 4.1 卷积神经网络 | 第39-43页 |
| 4.1.1 卷积神经网络的特点 | 第40-41页 |
| 4.1.2 卷积神经网络的结构 | 第41-43页 |
| 4.2 基于微调的掌纹识别算法 | 第43-45页 |
| 4.3 基于传统卷积神经网络的掌纹特征识别 | 第45-47页 |
| 4.3.1 掌纹特征提取过程 | 第45-46页 |
| 4.3.2 运用PCA进行图像的降维 | 第46-47页 |
| 4.3.3 利用Hausdorff距离进行特征匹配 | 第47页 |
| 4.4 其它掌纹识别算法简介 | 第47-48页 |
| 4.4.1 LBP算法 | 第47-48页 |
| 4.4.2 Gabor算法 | 第48页 |
| 4.5 实验结果分析 | 第48-54页 |
| 4.5.1 基于微调的卷积神经网络实验分析 | 第48-51页 |
| 4.5.2 基于传统卷积神经网络的掌纹特征识别实验分析 | 第51-53页 |
| 4.5.3 实验对比 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-56页 |
| 5.1 工作总结 | 第55页 |
| 5.2 工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第60-62页 |
| 学位论文数据集 | 第62页 |
