| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1.绪论 | 第10-18页 |
| 1.1 课题背景与研究意义 | 第10-12页 |
| 1.2 人耳识别技术 | 第12-15页 |
| 1.2.1 人耳解剖学结构 | 第12页 |
| 1.2.2 人耳识别可行性分析 | 第12-14页 |
| 1.2.3 人耳识别的研究内容 | 第14页 |
| 1.2.4 人耳识别的研究难点 | 第14-15页 |
| 1.3 人耳识别研究的国内外发展 | 第15-17页 |
| 1.4 研究内容与结构安排 | 第17-18页 |
| 2.人耳图像预处理 | 第18-23页 |
| 2.1 人耳图像库 | 第18-19页 |
| 2.2 人耳图像灰度化 | 第19-20页 |
| 2.3 人耳图像增强 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3.深度学习与卷积神经网络 | 第23-34页 |
| 3.1 神经网络理论 | 第23-26页 |
| 3.1.1 人脑视觉机理 | 第23-24页 |
| 3.1.2 人工神经网络 | 第24-26页 |
| 3.2 BP神经网络 | 第26-28页 |
| 3.2.1 BP神经网络原理 | 第26-28页 |
| 3.2.2 BP神经网络的不足 | 第28页 |
| 3.3 卷积神经网络 | 第28-32页 |
| 3.3.1 卷积神经网络基本结构 | 第29-30页 |
| 3.3.2 卷积神经网络特点 | 第30-32页 |
| 3.4 本章小结 | 第32-34页 |
| 4.基于深度学习的人耳识别算法设计 | 第34-50页 |
| 4.1 网络关键结构分析与设计 | 第34-38页 |
| 4.1.1 卷积层设计 | 第34-36页 |
| 4.1.2 池化采样层设计 | 第36-37页 |
| 4.1.3 全连接层设计 | 第37页 |
| 4.1.4 SoftMax分类器设计 | 第37-38页 |
| 4.2 人耳识别网络参数优化 | 第38-45页 |
| 4.2.1 激活函数改进 | 第39-42页 |
| 4.2.2 正则化 | 第42-43页 |
| 4.2.3 优化器的选择 | 第43-45页 |
| 4.3 人耳识别网络模型详细设计 | 第45-49页 |
| 4.3.1 网络结构图 | 第45-46页 |
| 4.3.2 网络各层参数详解 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5.人耳识别网络模型的训练与实验分析 | 第50-64页 |
| 5.1 Caffe深度学习框架 | 第50-52页 |
| 5.1.1 Caffe框架的特点与优势 | 第50-51页 |
| 5.1.2 本文实验环境 | 第51页 |
| 5.1.3 Caffe在Windows环境下GPU版本的配置 | 第51-52页 |
| 5.2 人耳识别网络模型训练 | 第52-56页 |
| 5.2.1 卷积神经网络训练方法 | 第52-54页 |
| 5.2.2 网络模型训练详细流程 | 第54-56页 |
| 5.3 实验分析与对比 | 第56-63页 |
| 5.3.1 学习率的选取 | 第56页 |
| 5.3.2 网络模型可视化分析 | 第56-58页 |
| 5.3.3 激活函数对比 | 第58-60页 |
| 5.3.4 Dropout概率值的选择 | 第60-61页 |
| 5.3.5 鲁棒性测试 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6.结论与展望 | 第64-66页 |
| 6.1 主要结论 | 第64-65页 |
| 6.2 研究展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71-72页 |