基于BP神经网络的人耳识别研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-20页 |
| ·课题背景 | 第9页 |
| ·生物特征识别概述 | 第9-11页 |
| ·人耳识别介绍 | 第11-15页 |
| ·人耳结构 | 第11-12页 |
| ·人耳识别的可行性 | 第12-14页 |
| ·人耳识别系统的构成 | 第14-15页 |
| ·人耳识别研究现状 | 第15-17页 |
| ·国外研究现状 | 第15-16页 |
| ·国内现状 | 第16-17页 |
| ·目前存在的问题 | 第17-18页 |
| ·本文的研究内容与章节安排 | 第18-20页 |
| ·研究内容 | 第18页 |
| ·本文的章节安排 | 第18-20页 |
| 第2章 人耳图像的采集与预处理 | 第20-28页 |
| ·人耳图像库 | 第20-22页 |
| ·人耳图像滤波 | 第22-23页 |
| ·人耳图像归一化 | 第23-27页 |
| ·尺寸归一化 | 第23-25页 |
| ·光照归一化 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 人耳图像的边缘检测 | 第28-43页 |
| ·边缘检测的基本理论 | 第28-29页 |
| ·经典边缘检测算法 | 第29-37页 |
| ·Roberts交叉微分算子 | 第29-30页 |
| ·Sobel算子 | 第30-31页 |
| ·Prewitt算子 | 第31-32页 |
| ·LOG(高斯-拉普拉斯算子) | 第32-33页 |
| ·Canny边缘检测算子 | 第33-35页 |
| ·经典边缘检测算法仿真实验 | 第35-37页 |
| ·基于分水岭算法的人耳有效区域分割 | 第37-42页 |
| ·分水岭算法的基本原理 | 第37-38页 |
| ·分水岭算法步骤 | 第38-39页 |
| ·分水岭算法的实验结果和分析 | 第39页 |
| ·标记分水岭算法原理 | 第39-40页 |
| ·标记分水岭算法实验结果 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 人耳图像的特征提取 | 第43-49页 |
| ·主成分(PCA)方法 | 第43-45页 |
| ·局部二进制模式(LBP)方法 | 第45-47页 |
| ·特征提取算法的选择 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 基于神经网络的分类器设计 | 第49-68页 |
| ·神经网络简介 | 第49-50页 |
| ·神经元的基本结构 | 第50-51页 |
| ·神经网络的学习过程 | 第51-55页 |
| ·BP前向神经网络 | 第55-61页 |
| ·BP前向神经网络的基本结构 | 第55-56页 |
| ·BP反向传播算法 | 第56-59页 |
| ·BP神经网络的性质分析 | 第59-60页 |
| ·BP神经网络的局限性 | 第60-61页 |
| ·人耳识别实验设计和数据 | 第61-63页 |
| ·BP前向神经网络结构设计 | 第61-62页 |
| ·训练过程设计 | 第62-63页 |
| ·识别过程设计 | 第63页 |
| ·人耳识别的实验结果及分析 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| ·全文总结 | 第68-69页 |
| ·研究展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
