| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-13页 |
| ·引言 | 第9页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文研究的主要内容及组织结构 | 第11-13页 |
| ·本文研究的主要内容 | 第11-12页 |
| ·本文组织结构 | 第12-13页 |
| 2 笔迹鉴别及其预处理 | 第13-25页 |
| ·笔迹鉴别的定义和分类 | 第13-15页 |
| ·笔迹图像的采集 | 第15-16页 |
| ·笔迹图像的灰度化 | 第16页 |
| ·笔迹图像的黑白二值化 | 第16-18页 |
| ·去除噪声 | 第18-19页 |
| ·笔迹单字切割 | 第19-22页 |
| ·笔迹样本的行切割 | 第19-20页 |
| ·笔迹样本的字切割 | 第20-22页 |
| ·形成笔迹纹理图像 | 第22-25页 |
| ·纹理 | 第22页 |
| ·单字归一化及其纹理制作 | 第22-25页 |
| 3 基于二维 Gabor 变换和 Haar 提升小波变换的特征提取算法 | 第25-35页 |
| ·基于二维 Gabor 变换的全局特征提取算法 | 第25-28页 |
| ·一维 Gabor 函数 | 第25-26页 |
| ·二维 Gabor 函数 | 第26-27页 |
| ·二维 Gabor 变换及全局笔迹特征提取 | 第27-28页 |
| ·基于 Haar 提升小波变换的单字特征提取算法 | 第28-35页 |
| ·小波概述 | 第28-29页 |
| ·一维小波变换 | 第29页 |
| ·二维小波变换 | 第29-30页 |
| ·提升小波基本原理 | 第30-32页 |
| ·Haar 提升小波变换及单字笔迹特征提取 | 第32-35页 |
| 4 基于 SVM 的分类器构造 | 第35-47页 |
| ·问题的引入 | 第35页 |
| ·支持向量机（SVM） | 第35-39页 |
| ·SVM 的研究背景及目的 | 第35-36页 |
| ·SVM 的理论基础 | 第36-38页 |
| ·SVM 分类的优点及不足 | 第38-39页 |
| ·SVM 分类 | 第39-42页 |
| ·SVM 分类的线性可分情形 | 第39-41页 |
| ·SVM 分类的线性不可分情形 | 第41页 |
| ·SVM 分类的非线性情形 | 第41-42页 |
| ·SVM 的核函数选择 | 第42-43页 |
| ·SVM 的分类步骤 | 第43-44页 |
| ·SVM 的分类结果 | 第44-47页 |
| 5 实验结果及分析 | 第47-53页 |
| ·实验工具 | 第47页 |
| ·笔迹鉴别的实验结果及分析 | 第47-53页 |
| ·采集样本 | 第47页 |
| ·实验结果 | 第47-51页 |
| ·实验分析 | 第51-53页 |
| 6 总结与展望 | 第53-54页 |
| ·结论 | 第53页 |
| ·展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表及完成的论文 | 第59-60页 |