| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12页 |
| 1.2 生物特征识别 | 第12-14页 |
| 1.3 掌纹识别技术 | 第14-16页 |
| 1.3.1 掌纹识别技术的优势 | 第15页 |
| 1.3.2 掌纹识别技术的研究现状 | 第15-16页 |
| 1.4 论文的结构与安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 掌纹识别理论 | 第18-27页 |
| 2.1 掌纹识别的基本步骤 | 第18页 |
| 2.2 掌纹采集设备与掌纹数据库 | 第18-21页 |
| 2.3 掌纹图像预处理 | 第21页 |
| 2.4 掌纹特征提取方法 | 第21-25页 |
| 2.4.1 基于结构的特征提取 | 第22页 |
| 2.4.2 基于统计的特征提取 | 第22-23页 |
| 2.4.3 基于子空间的特征提取 | 第23页 |
| 2.4.4 基于时频分析的特征提取 | 第23-24页 |
| 2.4.5 基于编码的特征提取 | 第24页 |
| 2.4.6 基于模板的特征提取 | 第24页 |
| 2.4.7 基于光谱的特征提取 | 第24-25页 |
| 2.4.8 掌纹特征提取方法的对比 | 第25页 |
| 2.5 特征匹配算法的介绍 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于深度学习的掌纹识别 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 深度学习算法 | 第27-30页 |
| 3.2.1 深度学习的定义 | 第27-29页 |
| 3.2.2 深度学习的基本思想 | 第29页 |
| 3.2.3 深度学习的常用模型 | 第29-30页 |
| 3.3 受限玻兹曼机 | 第30-33页 |
| 3.3.1 RBM的模型定义 | 第31-33页 |
| 3.3.2 RBM的学习 | 第33页 |
| 3.4 深度信念网络 | 第33-34页 |
| 3.5 基于深度学习的掌纹识别算法的实现 | 第34页 |
| 3.6 实验结果与分析 | 第34-38页 |
| 3.6.1 实验一学习率的测定 | 第35-36页 |
| 3.6.2 实验二隐藏层单元个数 | 第36-37页 |
| 3.6.3 实验三训练样本个数对算法性能的影响 | 第37-38页 |
| 3.7 小结 | 第38-39页 |
| 4 基于提升小波和深度学习的掌纹识别 | 第39-46页 |
| 4.1 引言 | 第39页 |
| 4.2 提升小波介绍 | 第39-41页 |
| 4.2.1 提升小波基本思想 | 第40页 |
| 4.2.2 提升小波实现步骤 | 第40-41页 |
| 4.3 提升小波的优势 | 第41页 |
| 4.4 基于提升小波和深度学习的掌纹识别算法实现 | 第41-42页 |
| 4.5 实验结果与分析 | 第42-45页 |
| 4.5.1 实验一隐层单元数对DBN性能的影响 | 第42-43页 |
| 4.5.2 实验二隐层单元对本文算法性能的影响 | 第43-44页 |
| 4.5.3 实验三训练样本数量对不同算法性能的影响 | 第44-45页 |
| 4.6 小结 | 第45-46页 |
| 5 基于图像重构的双DBN的掌纹识别新方法 | 第46-54页 |
| 5.1 引言 | 第46页 |
| 5.2 白化以及图像重构 | 第46-47页 |
| 5.2.1 白化PCA | 第46页 |
| 5.2.2 图像重构 | 第46-47页 |
| 5.3 双DBN模型 | 第47-48页 |
| 5.4 基于图像重构的双DBN的掌纹识别算法 | 第48-49页 |
| 5.5 实验结果与分析 | 第49-53页 |
| 5.5.1 实验一比较双DBN和传统DBN算法的优劣 | 第49-50页 |
| 5.5.2 实验二测试不同样本时双DBN与传统DBN的性能 | 第50-51页 |
| 5.5.3 实验三测试双DBN结构与其他算法性能的对比 | 第51-53页 |
| 5.6 小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简介 | 第61页 |
