基于深度学习的指静脉识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义 | 第8-10页 |
| 1.3 指静脉识别技术的国内外现状 | 第10-11页 |
| 1.4 论文的研究内容 | 第11页 |
| 1.5 论文的组织结构 | 第11-13页 |
| 第二章 生物特征认证技术分析 | 第13-31页 |
| 2.1 生物认证技术 | 第13-17页 |
| 2.1.1 指纹识别 | 第13-14页 |
| 2.1.2 虹膜识别 | 第14-15页 |
| 2.1.3 人脸识别 | 第15-16页 |
| 2.1.4 步态识别 | 第16页 |
| 2.1.5 指静脉识别 | 第16-17页 |
| 2.2 指静脉识别的技术原理 | 第17-20页 |
| 2.2.1 指静脉的生理特点 | 第17-18页 |
| 2.2.2 指静脉采集原理 | 第18-19页 |
| 2.2.3 指静脉预处理方法 | 第19页 |
| 2.2.4 指静脉的优化 | 第19-20页 |
| 2.2.5 指静脉特征分类 | 第20页 |
| 2.3 深度神经网络的介绍 | 第20-30页 |
| 2.3.1 人工神经网络概述 | 第20-22页 |
| 2.3.2 卷积神经网络的概述 | 第22-28页 |
| 2.3.3 深度学习在各领域现状 | 第28-29页 |
| 2.3.4 深度学习框架研究现状 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 手指静脉图像的预处理 | 第31-40页 |
| 3.1 指静脉角度校正算法 | 第31-33页 |
| 3.2 指静脉感兴趣区域提取 | 第33-38页 |
| 3.2.1 数学形态学算法 | 第33-34页 |
| 3.2.2 垂直边缘检测 | 第34-35页 |
| 3.2.3 形态学算法的闭操作和骨骼化 | 第35-36页 |
| 3.2.4 毛刺去除算法 | 第36-38页 |
| 3.2.5 感兴趣区域提取 | 第38页 |
| 3.3 指静脉图像增强 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于局部最大曲率的静脉优化算法 | 第40-47页 |
| 4.1 曲率的基础知识 | 第40-41页 |
| 4.1.1 曲率定义 | 第40页 |
| 4.1.2 基于局部最大曲率的静脉图像优化 | 第40-41页 |
| 4.2 算法原理 | 第41-42页 |
| 4.3 算法的具体流程 | 第42-44页 |
| 4.3.1 静脉中心点的提取 | 第42-43页 |
| 4.3.2 静脉中心点的连接 | 第43-44页 |
| 4.3.3 静脉图像特征标注 | 第44页 |
| 4.4 算法实验 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 利用深度学习进行静脉图像识别 | 第47-57页 |
| 5.1 AlexNet神经网络模型 | 第47-50页 |
| 5.1.1 模型结果 | 第47-49页 |
| 5.1.2 模型的优化 | 第49-50页 |
| 5.2 改进的神经网络模型 | 第50-51页 |
| 5.3 Caffe开源框架 | 第51页 |
| 5.4 实验 | 第51-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 文工作总结 | 第57页 |
| 6.2 未来研究展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 致谢 | 第63页 |
