| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-20页 |
| 1.2.1 技术起步阶段 | 第13页 |
| 1.2.2 图像采集方法研究现状 | 第13-15页 |
| 1.2.3 特征提取算法研究现状 | 第15-17页 |
| 1.2.4 商业化产品现状 | 第17-19页 |
| 1.2.5 当前存在的主要问题 | 第19-20页 |
| 1.3 本论文的主要研究内容 | 第20-21页 |
| 1.4 本论文的结构安排 | 第21-23页 |
| 第2章 手背静脉图像的采集及预处理 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 采集装置设计及图像采集 | 第23-25页 |
| 2.2.1 静脉图像采集装置设计 | 第23-24页 |
| 2.2.2 手背静脉图像库的建立 | 第24-25页 |
| 2.3 手背静脉图像预处理 | 第25-34页 |
| 2.3.1 图像预处理 | 第26-32页 |
| 2.3.2 实验结果及分析 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 基于优化纹理特征的手背静脉识别算法 | 第35-53页 |
| 3.1 引言 | 第35页 |
| 3.2 基于Gabor滤波器的特征提取 | 第35-39页 |
| 3.2.1 Gabor滤波器介绍 | 第35-38页 |
| 3.2.2 手背静脉Gabor特征提取 | 第38-39页 |
| 3.2.3 所存在的问题 | 第39页 |
| 3.3 优化的Gabor特征提取方法 | 第39-46页 |
| 3.3.1 基于小波分解的图像降维 | 第39-44页 |
| 3.3.2 基于PCA的特征降维 | 第44-45页 |
| 3.3.3 优化的Gabor特征提取步骤 | 第45-46页 |
| 3.4 手背静脉特征的匹配与识别 | 第46页 |
| 3.5 实验结果与分析 | 第46-52页 |
| 3.5.1 参数选择实验 | 第47-50页 |
| 3.5.2 优化前后对比实验分析 | 第50-51页 |
| 3.5.3 同类方法对比实验分析 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于RaspberryPi的手背静脉识别系统设计 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 识别系统硬件平台 | 第54-57页 |
| 4.2.1 主板参数介绍 | 第54-55页 |
| 4.2.2 摄像头的选择 | 第55-56页 |
| 4.2.3 系统硬件平台 | 第56-57页 |
| 4.3 识别系统软件设计 | 第57-59页 |
| 4.3.1 操作系统与编程语言选择 | 第57-58页 |
| 4.3.2 软件调试方法 | 第58页 |
| 4.3.3 程序结构设计 | 第58-59页 |
| 4.4 实验结果分析 | 第59-67页 |
| 4.4.1 图像显示调试 | 第59-65页 |
| 4.4.2 识别匹配实验结果 | 第65-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 本文主要工作 | 第69-70页 |
| 5.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 作者简介及科研成果 | 第77-79页 |
| 致谢 | 第79页 |