| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题背景与研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 常用身份认证方法 | 第11-12页 |
| 1.2.2 笔迹鉴定认证 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 2 身份认证的数据采集与预处理 | 第17-27页 |
| 2.1 模式识别技术 | 第17-18页 |
| 2.2 手势轨迹数据的采集 | 第18-20页 |
| 2.3 数据的预处理 | 第20-25页 |
| 2.3.1 手势轨迹数据的平滑去噪 | 第20-21页 |
| 2.3.2 手势轨迹数据的边界检测 | 第21-23页 |
| 2.3.3 手势轨迹数据的长度归一化 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 特征提取 | 第27-47页 |
| 3.1 特征提取方法的研究与分析 | 第27-28页 |
| 3.2 小波变换 | 第28-38页 |
| 3.2.1 小波变换发展历史及现状 | 第28-30页 |
| 3.2.2 小波变换理论 | 第30-31页 |
| 3.2.3 连续小波变换 | 第31-32页 |
| 3.2.4 离散小波变换 | 第32-33页 |
| 3.2.5 多分辨率分析及Mallat算法 | 第33-38页 |
| 3.3 本文基于小波变换的手势轨迹特征提取 | 第38-45页 |
| 3.3.1 分解信号的提取及选择 | 第38-40页 |
| 3.3.2 小波基函数的选择 | 第40-43页 |
| 3.3.3 分解信号的能量求取 | 第43-44页 |
| 3.3.4 本文提出的特征向量提取算法具体描述 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于支持向量机的身份认证方法 | 第47-61页 |
| 4.1 常用认证方法 | 第47-50页 |
| 4.2 常用认证方法的对比分析 | 第50-52页 |
| 4.3 支持向量机介绍 | 第52-58页 |
| 4.3.1 支持向量机发展及研究现状 | 第52-53页 |
| 4.3.2 基本方法和原理 | 第53-57页 |
| 4.3.3 核函数及参数选择 | 第57-58页 |
| 4.4 本文提出的身份认证方法 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 实验结果与分析 | 第61-69页 |
| 5.1 实验数据的准备 | 第61页 |
| 5.2 实验步骤及结果分析 | 第61-68页 |
| 5.2.1 不同小波基函数和分解层数对认证结果的影响与分析 | 第62-64页 |
| 5.2.2 训练样本集的大小对认证结果的影响与分析 | 第64-65页 |
| 5.2.3 本文特征向量提取算法对认证结果的影响与分析 | 第65-67页 |
| 5.2.4 支持向量机中参数C和r值对认证结果的影响与分析 | 第67-68页 |
| 5.3 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69页 |
| 6.2 进一步展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读学位期间主要的研究成果目录 | 第77-79页 |
| 致谢 | 第79页 |
