| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-30页 |
| 1.1 背景和意义 | 第12-18页 |
| 1.1.1 生物特征识别技术概述 | 第12-14页 |
| 1.1.2 常见的生物特征识别技术比较 | 第14-17页 |
| 1.1.3 生物特征识别评价指标 | 第17-18页 |
| 1.2 虹膜识别系统概述 | 第18-22页 |
| 1.2.1 虹膜识别的生理基础 | 第18-19页 |
| 1.2.2 虹膜识别过程 | 第19-20页 |
| 1.2.3 虹膜图像库 | 第20-22页 |
| 1.3 虹膜识别技术研究动态 | 第22-26页 |
| 1.3.1 虹膜识别发展历史 | 第22-23页 |
| 1.3.2 虹膜图像预处理研究动态 | 第23-24页 |
| 1.3.3 虹膜图像质量评价研究动态 | 第24-25页 |
| 1.3.4 虹膜特征提取和融合研究动态 | 第25-26页 |
| 1.4 本文工作 | 第26-30页 |
| 1.4.1 主要研究内容和创新点 | 第27-29页 |
| 1.4.2 本文组织结构 | 第29-30页 |
| 第2章 基于自适应GABOR滤波器的虹膜多局部特征提取 | 第30-46页 |
| 2.1 引言 | 第30-31页 |
| 2.2 Gabor滤波器简介 | 第31-32页 |
| 2.3 虹膜纹理的Gabor局部特征生成和匹配方法 | 第32-34页 |
| 2.3.1 Gabor局部幅值特征生成和匹配方法 | 第33页 |
| 2.3.2 Gabor局部相位特征生成和匹配方法 | 第33-34页 |
| 2.4 基于PSO和BPSO的GABOR滤波器优化 | 第34-38页 |
| 2.4.1 Gabor滤波器参数优化必要性分析 | 第34-35页 |
| 2.4.2 粒子群优化算法的基本原理 | 第35-36页 |
| 2.4.3 二进制粒子群优化算法的寻优原则 | 第36-37页 |
| 2.4.4 使用PSO和BPSO进行Gabor滤波器优化 | 第37-38页 |
| 2.5 实验结果及讨论 | 第38-44页 |
| 2.5.1 实验设置 | 第38-39页 |
| 2.5.2 截取ROI区域必要性分析 | 第39-41页 |
| 2.5.3 本文Gabor局部特征与现有局部特征性能比较 | 第41-43页 |
| 2.5.4 Gabor滤波器参数优化后效果 | 第43-44页 |
| 2.6 本章小结 | 第44-46页 |
| 第3章 基于SVR的多特征相似度融合方案 | 第46-80页 |
| 3.1 引言 | 第46页 |
| 3.2 基于支持向量回归的多特征相似度融合 | 第46-47页 |
| 3.3 虹膜GABOR多局部特征融合 | 第47-54页 |
| 3.3.1 虹膜Gabor幅值特征和相位特征融合流程 | 第47-48页 |
| 3.3.2 Gabor多特征融合识别效果 | 第48-51页 |
| 3.3.3 融合方法对光照敏感性分析 | 第51-52页 |
| 3.3.4 与现有方法比较 | 第52-53页 |
| 3.3.5 本方法执行时间分析 | 第53-54页 |
| 3.4 虹膜GABOR局部特征与SIFT几何特征融合方法 | 第54-63页 |
| 3.4.1 SIFT关键点提取基础知识 | 第54-55页 |
| 3.4.2 SIFT关键点筛选和匹配 | 第55-56页 |
| 3.4.3 基于SVR的Gabor特征与SIFT几何特征融合 | 第56-57页 |
| 3.4.4 SIFT关键点筛选有效性分析 | 第57-59页 |
| 3.4.5 虹膜Gabor特征与SIFT几何特征融合效果分析 | 第59-62页 |
| 3.4.6 与现有方法比较 | 第62-63页 |
| 3.5 人脸-虹膜-指纹多生物特征融合识别 | 第63-78页 |
| 3.5.1 人脸-虹膜-指纹多生物特征融合方案 | 第63-64页 |
| 3.5.2 实验数据库介绍 | 第64-66页 |
| 3.5.3 针对人脸-虹膜-指纹多生物特征的Gabor局部特征提取 | 第66-67页 |
| 3.5.4 针对人脸-虹膜-指纹多生物特征的Gabor滤波器组优化 | 第67-71页 |
| 3.5.5 本文Gabor特征与现有方法效果比较 | 第71-72页 |
| 3.5.6 人脸-虹膜-指纹多生物特征融合效果分析 | 第72-74页 |
| 3.5.7 基于SVR的融合策略失效情况 | 第74-76页 |
| 3.5.8 与其他方法比较 | 第76-78页 |
| 3.6 本章小结 | 第78-80页 |
| 第4章 基于DBN的虹膜GABOR深度学习框架 | 第80-94页 |
| 4.1 引言 | 第80-81页 |
| 4.2 基于DBN的虹膜GABOR深度学习特征提取 | 第81-85页 |
| 4.2.1 基于RBM的学习特征生成 | 第81-82页 |
| 4.2.2 基于DBN的深度学习架构 | 第82-83页 |
| 4.2.3 利用DBN进行虹膜识别 | 第83-85页 |
| 4.3 实验结果与讨论 | 第85-93页 |
| 4.3.1 实验设置 | 第85页 |
| 4.3.2 针对相位编码的Gabor滤波器组优化 | 第85-88页 |
| 4.3.3 RBM隐层神经元设置 | 第88-89页 |
| 4.3.4 RBM和DBN深度学习特征的识别效果比较 | 第89-91页 |
| 4.3.5 DBN中隐藏层数对识别效果的影响 | 第91页 |
| 4.3.6 与现有方法比较 | 第91-93页 |
| 4.4 本章小结 | 第93-94页 |
| 第5章 针对虹膜视频序列的仿生识别方法 | 第94-106页 |
| 5.1 引言 | 第94-95页 |
| 5.2 仿生识别理论基础 | 第95-98页 |
| 5.2.1 仿生识别基本原则 | 第95页 |
| 5.2.2 在Gabor特征空间构建超香肠体模型 | 第95-96页 |
| 5.2.3 建立超香肠体算法描述 | 第96-97页 |
| 5.2.4 利用超香肠体进行类别判定 | 第97-98页 |
| 5.3 基于仿生识别的虹膜视频序列识别流程 | 第98-99页 |
| 5.4 实验结果与讨论 | 第99-104页 |
| 5.4.1 仿生识别方法效果分析 | 第99-102页 |
| 5.4.2 与现有方法的比较 | 第102-103页 |
| 5.4.3 仿生识别方法执行速度分析 | 第103-104页 |
| 5.5 本章小结 | 第104-106页 |
| 第6章 总结与展望 | 第106-108页 |
| 6.1 本文工作总结 | 第106-107页 |
| 6.2 下一步工作展望 | 第107-108页 |
| 参考文献 | 第108-118页 |
| 作者简介及在学期间所取得的科研成果 | 第118-120页 |
| 致谢 | 第120页 |
