基于Bayes决策理论的脱机手写签名识别研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·生物特征识别技术 | 第11-13页 |
| ·生物特征识别技术及识别系统 | 第11-13页 |
| ·生物识别技术优势 | 第13页 |
| ·手写签名识别的分类与识别过程 | 第13-15页 |
| ·手写签名识别的分类 | 第14-15页 |
| ·手写签名识别的过程 | 第15页 |
| ·中文手写签名识别研究现状及发展趋势 | 第15-17页 |
| ·课题研究内容及论文的组织 | 第17-19页 |
| 第二章 数据采集及预处理 | 第19-25页 |
| ·数据采集 | 第19页 |
| ·签名图像预处理 | 第19-24页 |
| ·平滑去噪处理 | 第20-22页 |
| ·二值化处理 | 第22-23页 |
| ·细化处理 | 第23-24页 |
| ·图像归一化 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 特征提取与选择 | 第25-34页 |
| ·有关特征提取及特征选择的基本概念 | 第25-26页 |
| ·脱机签名笔迹特征提取 | 第26-33页 |
| ·形状特征提取 | 第27-31页 |
| ·离线签名伪动态特征 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 分类决策 | 第34-48页 |
| ·常用签名分类器 | 第34-37页 |
| ·人工神经网络分类器 | 第35页 |
| ·决策树分类器 | 第35-36页 |
| ·支持向量机 | 第36页 |
| ·统计方法 | 第36-37页 |
| ·贝叶斯分类基本理论 | 第37-39页 |
| ·条件概率和乘法定理 | 第37-38页 |
| ·全概率公式和贝叶斯定理 | 第38页 |
| ·事件的独立性 | 第38页 |
| ·极大后验假设与极大似然假设 | 第38-39页 |
| ·基于改进均值的贝叶斯分类决策 | 第39-44页 |
| ·基于最小错误率的Bayes决策 | 第40页 |
| ·基于最小风险的Bayes决策 | 第40-41页 |
| ·朴素贝叶斯分类器 | 第41-43页 |
| ·算法的设计及其分析 | 第43-44页 |
| ·可变K值的KNN分类识别 | 第44-46页 |
| ·近邻法原理及其决策规则 | 第44-45页 |
| ·K近邻法决策规则 | 第45-46页 |
| ·基于可变K值的KNN算法 | 第46页 |
| ·本章小结 | 第46-48页 |
| 第五章 实验条件及结果分析 | 第48-54页 |
| ·实验评价指标及实验条件 | 第48-49页 |
| ·签名识别系统设计 | 第49-52页 |
| ·签名识别系统具体实现过程 | 第49-52页 |
| ·实验结果分析 | 第52页 |
| ·本章小结 | 第52-54页 |
| 第六章 总结及改进 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 附录:攻读学位期间发表的学术论文 | 第60页 |
