非受控场景下单样本人耳识别研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第16-23页 |
| 1.1 课题背景及研究意义 | 第16-21页 |
| 1.2 论文的主要工作 | 第21-22页 |
| 1.3 论文的创新点 | 第22页 |
| 1.4 本文的组织结构 | 第22-23页 |
| 2 文献综述 | 第23-49页 |
| 2.1 人耳识别综述 | 第23-30页 |
| 2.1.1 基于二维数据的人耳识别 | 第23-26页 |
| 2.1.2 基于三维数据的人耳识别 | 第26-29页 |
| 2.1.3 融合二维三维数据的人耳识别 | 第29-30页 |
| 2.2 单样本识别 | 第30-40页 |
| 2.2.1 基于通用学习的方法 | 第33-34页 |
| 2.2.2 基于虚拟样本的方法 | 第34-35页 |
| 2.2.3 基于图像分块的方法 | 第35-37页 |
| 2.2.4 基于局部特征的方法 | 第37-40页 |
| 2.3 基于稀疏表示的识别方法 | 第40-44页 |
| 2.3.1 稀疏表示理论概述 | 第40-41页 |
| 2.3.2 稀疏表示分类方法 | 第41-42页 |
| 2.3.3 多关键点描述子稀疏表示分类方法 | 第42-44页 |
| 2.4 优化问题与优化方法 | 第44-48页 |
| 2.4.1 优化问题的定义与分类 | 第44-45页 |
| 2.4.2 群智能优化算法 | 第45-46页 |
| 2.4.3 PSO算法简介 | 第46-48页 |
| 2.5 本章小结 | 第48-49页 |
| 3 基于加权局部特征的单样本人耳识别策略及框架 | 第49-68页 |
| 3.1 关键点检测与描述 | 第50-51页 |
| 3.2 字典的构建 | 第51-52页 |
| 3.3 字典的简约化 | 第52页 |
| 3.4 基于WMKD-SRC的识别过程 | 第52-55页 |
| 3.5 实验结果与分析 | 第55-66页 |
| 3.5.1 实验数据及实验基本设定 | 第55-58页 |
| 3.5.2 平面内旋转的单样本人耳识别 | 第58-59页 |
| 3.5.3 遮挡情况下的单样本人耳识别 | 第59-61页 |
| 3.5.4 姿态变化情况下的单样本人耳识别 | 第61-62页 |
| 3.5.5 遮挡与姿态变化情况下的单样本人耳识别 | 第62-66页 |
| 3.6 本章小结 | 第66-68页 |
| 4 注册样本的局部特征权重优化算法 | 第68-81页 |
| 4.1 字典预处理 | 第69-70页 |
| 4.2 权重优化 | 第70-73页 |
| 4.2.1 粒子初始化 | 第71-72页 |
| 4.2.2 粒子的适应度 | 第72-73页 |
| 4.2.3 权重寻优过程 | 第73页 |
| 4.3 实验结果与分析 | 第73-79页 |
| 4.3.1 优化结果在识别系统中的作用方式 | 第74-75页 |
| 4.3.2 USTB人耳库Ⅲ上的实验 | 第75-77页 |
| 4.3.3 UND J2库上的实验 | 第77-79页 |
| 4.4 本章小结 | 第79-81页 |
| 5 基于信息融合的单样本人耳识别方法 | 第81-102页 |
| 5.1 信息融合方法 | 第81-83页 |
| 5.2 三维信息表达方式 | 第83-85页 |
| 5.3 决策层融合方法 | 第85-89页 |
| 5.3.1 关键点检测与描述 | 第85-86页 |
| 5.3.2 字典的构建 | 第86-87页 |
| 5.3.3 多任务稀疏表示 | 第87-88页 |
| 5.3.4 二维三维信息融合决策 | 第88-89页 |
| 5.4 特征层融合方法 | 第89-93页 |
| 5.4.1 关键点检测与定位 | 第89-91页 |
| 5.4.2 关键点描述 | 第91-93页 |
| 5.5 实验结果与分析 | 第93-100页 |
| 5.5.1 数据库与人耳区域提取 | 第93-94页 |
| 5.5.2 决策层融合方法的识别实验结果与分析 | 第94-98页 |
| 5.5.3 特征层融合方法的识别实验结果与分析 | 第98-100页 |
| 5.6 本章小结 | 第100-102页 |
| 6 结论 | 第102-106页 |
| 6.1 研究内容总结与结论 | 第102-104页 |
| 6.2 未来工作的展望 | 第104-106页 |
| 参考文献 | 第106-115页 |
| 作者简历及在学研究成果 | 第115-120页 |
| 学位论文数据集 | 第120页 |
