基于改进Gabor滤波器的多模态特征融合技术
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究相关背景 | 第9-14页 |
| 1.1.1 生物特征识别的概念和特点 | 第9-11页 |
| 1.1.2 生物特征识别技术的分类 | 第11-14页 |
| 1.2 生物特征识别分类过程 | 第14-15页 |
| 1.3 本文创新以及工作概述 | 第15-16页 |
| 1.4 本文章节内容安排 | 第16-18页 |
| 第二章 相关方法介绍及描述 | 第18-34页 |
| 2.1 Gabor滤波器 | 第18-21页 |
| 2.2 经典子空间方法介绍 | 第21-25页 |
| 2.2.1 主成分分析法 | 第21-22页 |
| 2.2.2 Fisher鉴别分析 | 第22-25页 |
| 2.3 特征融合技术 | 第25-26页 |
| 2.4 典型相关性分析 | 第26-29页 |
| 2.5 多模态学习技术 | 第29-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 改进的Gabor滤波器 | 第34-43页 |
| 3.1 常用的Gabor滤波器 | 第34-35页 |
| 3.2 改进的Gabor滤波器 | 第35-37页 |
| 3.3 实验分析 | 第37-42页 |
| 3.3.1 数据库介绍 | 第37-38页 |
| 3.3.2 参数选择 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于多元相关性分析的特征融合 | 第43-50页 |
| 4.1 特征融合技术 | 第43页 |
| 4.2 基于多元核化典型相关性分析的特征融合技术 | 第43-46页 |
| 4.2.1 核化CCA | 第44-46页 |
| 4.2.2 多元CCA及其核化 | 第46页 |
| 4.3 基于Gabor滤波器的多元CCA特征融合 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.5 本章总结 | 第49-50页 |
| 第五章 鉴别多模态学习技术 | 第50-59页 |
| 5.1 多模态鉴别学习思想 | 第50-51页 |
| 5.2 数学模型 | 第51-52页 |
| 5.3 多模态鉴别学习试验分析 | 第52-55页 |
| 5.4 单模态数据集构造 | 第55页 |
| 5.5 方法对比与分析 | 第55-56页 |
| 5.6 基于特征融合的多模态学习实验结果与分析 | 第56-58页 |
| 5.7 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 致谢 | 第67页 |
