| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-23页 |
| ·课题研究的目的及意义 | 第11-13页 |
| ·生物特征识别技术简介 | 第13-17页 |
| ·生物特征识别技术基本概念 | 第13页 |
| ·生物特征识别技术的发展及分类 | 第13-16页 |
| ·静脉识别技术的优越性 | 第16-17页 |
| ·静脉识别系统的基本组成 | 第17-18页 |
| ·静脉分类和匹配技术国内外研究现状 | 第18-20页 |
| ·静脉分类技术国内外发展现状 | 第18-19页 |
| ·静脉匹配技术国内外发展现状 | 第19-20页 |
| ·静脉的分类和匹配在静脉识别中的重要性 | 第20-21页 |
| ·本文的主要研究工作和论文组织 | 第21-23页 |
| 第2章 静脉图像特征提取 | 第23-35页 |
| ·特征分析基本概念 | 第23-24页 |
| ·静脉特征提取的典型方法 | 第24页 |
| ·基于几何形状的静脉特征提取 | 第24-31页 |
| ·几何矩 | 第25-26页 |
| ·Hu不变矩 | 第26-27页 |
| ·边界不变矩 | 第27-28页 |
| ·仿射不变矩 | 第28-30页 |
| ·基于几何形状的静脉特征提取 | 第30-31页 |
| ·基于小波矩的静脉特征 | 第31-34页 |
| ·小波矩的构造 | 第31-32页 |
| ·基于小波矩的静脉特征提取 | 第32-34页 |
| ·静脉特征的选择 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第3章 静脉图像的分类匹配策略 | 第35-45页 |
| ·粗分类、细匹配的静脉识别策略 | 第35-36页 |
| ·分类与匹配的关系 | 第35页 |
| ·粗分类、细匹配的静脉识别策略 | 第35-36页 |
| ·静脉图像的分类策略 | 第36-40页 |
| ·图像分类技术概述 | 第36-37页 |
| ·一种基于规模应用的静脉分类策略 | 第37-40页 |
| ·静脉图像匹配策略 | 第40-43页 |
| ·图像匹配技术 | 第40-42页 |
| ·静脉图像匹配 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 第4章 静脉识别分类器的设计 | 第45-75页 |
| ·分类器设计概述 | 第45-46页 |
| ·监督分类与非监督分类 | 第46-47页 |
| ·有监督分类方法 | 第46页 |
| ·非监督分类方法 | 第46-47页 |
| ·基于LM算法改进的BP神经网络静脉分类器设计 | 第47-59页 |
| ·BP神经网络的基本概念 | 第47-51页 |
| ·基于LM算法优化的BP神经网络静脉分类器实现 | 第51-59页 |
| ·一种判断分类结果合理性的准则 | 第59页 |
| ·基于蚁群聚类的BP神经网络静脉分类器设计 | 第59-67页 |
| ·蚁群算法简介 | 第60-62页 |
| ·聚类数目未知情况下蚁群算法静脉特征聚类 | 第62-64页 |
| ·基于蚁群算法与LM优化后BP神经网络的静脉分类器实现 | 第64-67页 |
| ·一种基于蚁群聚类与SVM的静脉分类器设计 | 第67-73页 |
| ·高维空间的特性 | 第67-68页 |
| ·支持向量机 | 第68-71页 |
| ·基于蚁群聚类的SVM静脉分类器设计与实现 | 第71-73页 |
| ·本章小结 | 第73-75页 |
| 第5章 基于最近邻法的静脉匹配技术 | 第75-83页 |
| ·图像配准原理 | 第75页 |
| ·常用的图像匹配技术 | 第75-76页 |
| ·静脉图像相似性度量 | 第76-81页 |
| ·静脉图像的最大互信息测度 | 第76-80页 |
| ·静脉图像的最近邻测度 | 第80-81页 |
| ·基于最近邻的静脉匹配实验及结果分析 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| ·总结 | 第83页 |
| ·展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间发表的论文 | 第89-91页 |
| 致谢 | 第91页 |