| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-25页 |
| ·课题研究背景、目的和意义 | 第11-13页 |
| ·国内、外研究概况 | 第13-21页 |
| ·手指静脉识别技术 | 第13-16页 |
| ·基于流形学习的特征提取 | 第16-20页 |
| ·基于可拓学的分类器 | 第20-21页 |
| ·本文主要研究内容和写作安排 | 第21-25页 |
| 第2章 手指静脉采集装置研制 | 第25-35页 |
| ·引言 | 第25-26页 |
| ·手指静脉采集装置组成 | 第26-27页 |
| ·硬件设计 | 第27-30页 |
| ·手指静脉成像模块 | 第27-28页 |
| ·自动调光模块 | 第28-29页 |
| ·USB控制模块 | 第29页 |
| ·其它辅助模块 | 第29-30页 |
| ·软件设计 | 第30-33页 |
| ·实验 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于线性流形学习特征提取方法研究 | 第35-67页 |
| ·引言 | 第35-36页 |
| ·双向加权的图像矩阵特征提取方法 | 第36-45页 |
| ·双向二维主成分分析 | 第36-38页 |
| ·特征值归一化双向加权的B2DPCA | 第38-41页 |
| ·双向二维线性鉴别分析 | 第41-43页 |
| ·双向加权的B2DLDA | 第43-45页 |
| ·加权分块的图像矩阵特征提取方法 | 第45-48页 |
| ·分块B2DPCA | 第45-47页 |
| ·双向加权分块B2DPCA | 第47-48页 |
| ·实验分析 | 第48-65页 |
| ·几种基础算法 | 第49-52页 |
| ·特征值归一化双向加权的B2DPCA | 第52-55页 |
| ·双向加权的B2DLDA | 第55-58页 |
| ·双向加权分块B2DPCA | 第58-63页 |
| ·BWMB2DPCA、BWB2DPCA与BWB2DLDA比较 | 第63-65页 |
| ·本章小结 | 第65-67页 |
| 第4章 基于非线性流形学习特征提取方法研究 | 第67-94页 |
| ·引言 | 第67页 |
| ·经典的流形学习方法 | 第67-78页 |
| ·局部线性嵌入 | 第67-71页 |
| ·等距映射 | 第71-75页 |
| ·拉普拉斯特征映射 | 第75-78页 |
| ·局部保持映射 | 第78-80页 |
| ·局部保持映射 | 第78-79页 |
| ·有监督的局部保持映射 | 第79-80页 |
| ·分块加权的双向二维局部保持映射 | 第80-83页 |
| ·双向二维局部保持映射 | 第80-82页 |
| ·基于特征值归一化的双向加权分块B2DLPP | 第82-83页 |
| ·实验分析 | 第83-92页 |
| ·LPP和SLPP | 第84-85页 |
| ·双向加权B2DLPP | 第85-88页 |
| ·双向加权分块B2DLPP | 第88-91页 |
| ·BWMB2DLPP与BWMB2DPCA比较 | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 第5章 基于可拓学分类器设计 | 第94-114页 |
| ·引言 | 第94页 |
| ·物元可拓模型 | 第94-98页 |
| ·物元 | 第94-95页 |
| ·经典域与节域 | 第95页 |
| ·关联函数与关联度 | 第95-98页 |
| ·基于可拓距与关联函数的分类器设计 | 第98-101页 |
| ·基于可拓距与关联函数的平均关联函数法 | 第98-100页 |
| ·基于可拓距与关联函数的K最大关联函数法 | 第100-101页 |
| ·基于可拓距与关联函数的最大关联函数法 | 第101页 |
| ·实验分析 | 第101-113页 |
| ·二维平面数据 | 第101-103页 |
| ·多维向量数据 | 第103-106页 |
| ·手指静脉图像矩阵 | 第106-113页 |
| ·本章小结 | 第113-114页 |
| 结论 | 第114-116页 |
| 参考文献 | 第116-128页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第128-130页 |
| 致谢 | 第130-131页 |
| 附录A | 第131-132页 |