| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 手背静脉图像数据库介绍 | 第10-18页 |
| 1.3.1 公开的手背静脉图像数据库 | 第10-13页 |
| 1.3.2 自建的手背静脉图像数据库 | 第13-18页 |
| 1.4 课题研究的主要问题 | 第18-19页 |
| 1.4.1 大样本条件下手背静脉特征可分性研究 | 第18页 |
| 1.4.2 样本规模与识别精度的关系 | 第18页 |
| 1.4.3 样本规模与识别速度的关系 | 第18-19页 |
| 1.5 本文工作内容 | 第19-20页 |
| 第二章 大样本手背静脉图像的合成 | 第20-32页 |
| 2.1 基础样本库的创建 | 第20-21页 |
| 2.2 异质图像多参数优化调整 | 第21-24页 |
| 2.3 手背静脉图像的合成 | 第24-27页 |
| 2.4 合成手背静脉图像可分性研究 | 第27-31页 |
| 2.5 本章总结 | 第31-32页 |
| 第三章 大样本手背静脉识别问题的研究 | 第32-40页 |
| 3.1 手背静脉特征 | 第32-37页 |
| 3.1.1 局部纹理特征LBP | 第32-33页 |
| 3.1.2 主成分分析PCA | 第33-34页 |
| 3.1.3 局部特征点SIFT | 第34-37页 |
| 3.2 样本规模与识别精度、识别时间的关系 | 第37-39页 |
| 3.3 本章总结 | 第39-40页 |
| 第四章 基于深度学习和多尺度编码组合的手背静脉识别 | 第40-52页 |
| 4.1 深度学习 | 第40-44页 |
| 4.1.1 限制玻尔兹曼机 | 第40-41页 |
| 4.1.2 深度信念网络 | 第41-44页 |
| 4.2 多尺度编码理论 | 第44-46页 |
| 4.3 实验结果及分析 | 第46-51页 |
| 4.3.1 图像多尺度与识别率的关系 | 第46-48页 |
| 4.3.2 多尺度组合编码实验 | 第48-49页 |
| 4.3.3 本文算法与传统算法对比实验 | 第49-51页 |
| 4.4 本章总结 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 5.1 主要结论 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |