| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-22页 |
| ·生物识别技术 | 第10-13页 |
| ·人耳识别介绍 | 第13-15页 |
| ·人耳识别研究现状及方法综述 | 第15-20页 |
| ·图片比对识别法 | 第16页 |
| ·Burge 和Burger 的人耳自动识别技术 | 第16-17页 |
| ·基于力场转换的方法 | 第17-19页 |
| ·主分量分析（PCA）法 | 第19页 |
| ·基于不变矩的方法 | 第19-20页 |
| ·基于傅立叶系数的边缘识别方法 | 第20页 |
| ·本文主要研究内容 | 第20-22页 |
| 2 人耳图像的采集及预处理 | 第22-29页 |
| ·人耳图像的采集 | 第22-24页 |
| ·数字图像成像原理 | 第22页 |
| ·人耳图像的采集 | 第22-24页 |
| ·人耳图像的归一化处理 | 第24-26页 |
| ·人耳图像空间尺度归一化 | 第24页 |
| ·人耳图像的灰度级归一化 | 第24-26页 |
| ·基于万有引力场转换的人耳图像预处理 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 3 人耳图像的边缘检测及区域分割算法 | 第29-45页 |
| ·边缘检测的基本理论 | 第29-30页 |
| ·经典边缘检测算子 | 第30-39页 |
| ·Roberts 算子 | 第30页 |
| ·Sobel 算子 | 第30-31页 |
| ·Prewitt 算子 | 第31-32页 |
| ·Laplacian 算子 | 第32-34页 |
| ·Laplacian of Gaussian（LoG）算子 | 第34-36页 |
| ·Canny 算子 | 第36-37页 |
| ·仿真试验及分析 | 第37-39页 |
| ·基于形态学分水岭的人耳图像有效区域分割 | 第39-44页 |
| ·分水岭算法的基本原理 | 第40页 |
| ·分水岭算法的实现流程 | 第40-41页 |
| ·分水岭算法的试验结果及分析 | 第41-42页 |
| ·标记分水岭算法原理 | 第42页 |
| ·标记分水岭算法实验结果及分析 | 第42-44页 |
| ·小结 | 第44-45页 |
| 4 基于有效人耳区域的统计特征 | 第45-51页 |
| ·纹理 | 第45-48页 |
| ·基于直方图的纹理特征 | 第45-47页 |
| ·基于位置算子的纹理特征 | 第47-48页 |
| ·不变矩 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 5 基于神经网络的分类器设计及实验结果 | 第51-79页 |
| ·神经网络简介 | 第51-52页 |
| ·神经元的基本结构 | 第52-53页 |
| ·神经网络的学习过程 | 第53-56页 |
| ·BP 前向神经网络 | 第56-62页 |
| ·BP 前向神经网络的基本结构 | 第56-58页 |
| ·反向传播算法 | 第58-62页 |
| ·人耳识别系统的实验设计及数据 | 第62-77页 |
| ·BP 前向神经网络结构设计 | 第62-63页 |
| ·训练过程设计 | 第63页 |
| ·识别过程设计 | 第63-64页 |
| ·基于纹理特征的实验结果及分析 | 第64-70页 |
| ·基于不变矩的实验结果及分析 | 第70-77页 |
| ·人耳识别系统的实验结果分析 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 6 总结与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 附录 | 第85-87页 |
| A. 攻读硕士期间发表的论文 | 第85页 |
| B. 攻读硕士期间取得的科研成果目录 | 第85-87页 |