| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 安全生物特征识别 | 第8页 |
| 1.1.2 常接触到的生物特征识别技术 | 第8-10页 |
| 1.2 签名鉴别系统概述 | 第10-13页 |
| 1.3 签名鉴别技术的研究现状 | 第13-16页 |
| 1.4 本文的研究内容 | 第16-17页 |
| 1.5 本文的章节编排 | 第17-18页 |
| 2 改进图像预处理方法研究 | 第18-31页 |
| 2.1 稀疏表示理论 | 第18-21页 |
| 2.1.1 稀疏线性模型 | 第18-19页 |
| 2.1.2 稀疏数学模型 | 第19-20页 |
| 2.1.3 参数稀疏的好处 | 第20-21页 |
| 2.2 改进图像预处理方法研究 | 第21-30页 |
| 2.2.1 图像灰度化 | 第21-22页 |
| 2.2.2 改进高斯滤波方法研究 | 第22-25页 |
| 2.2.3 改进Ostu二值化方法研究 | 第25-29页 |
| 2.2.4 图像骨架提取 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 签名图像的特征提取 | 第31-44页 |
| 3.1 提取离线签名的伪动态特征 | 第31-34页 |
| 3.1.1 离线签名伪动态特征研究 | 第31页 |
| 3.1.2 伪动态特征的标定 | 第31-34页 |
| 3.2 LBP纹理特征提取 | 第34-36页 |
| 3.2.1 LBP算子的描述 | 第34-35页 |
| 3.2.2 LBP特征用于签名分类的原理 | 第35-36页 |
| 3.2.3 对LBP特征向量进行提取的步骤 | 第36页 |
| 3.3 合并两种特征 | 第36-37页 |
| 3.4 卷积神经网络训练特征 | 第37-43页 |
| 3.4.1 卷积神经网络结构 | 第38-40页 |
| 3.4.2 激活函数的选取 | 第40-42页 |
| 3.4.3 网络权值的更新 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 CNN与稀疏表示融合分类算法研究 | 第44-51页 |
| 4.1 支持向量机 | 第44-46页 |
| 4.2 k-最近邻算法 | 第46-47页 |
| 4.3 卷积神经网络 | 第47-48页 |
| 4.4 基于CNN特征提取和稀疏表示融合分类算法研究 | 第48-50页 |
| 4.4.1 稀疏表示 | 第48-49页 |
| 4.4.2 OMP贪婪算法 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 离线签名鉴别系统的设计实现 | 第51-60页 |
| 5.1 离线签名鉴别系统总体设计 | 第51-53页 |
| 5.2 实验结果及分析 | 第53-59页 |
| 5.2.1 实验平台 | 第53页 |
| 5.2.2 实验样本的采集 | 第53-54页 |
| 5.2.3 实验结果 | 第54-59页 |
| 5.3 本章小结 | 第59-60页 |
| 6 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |