一种多特征提取及融合的虹膜识别方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 生物特征识别 | 第12-14页 |
| 1.3 虹膜识别 | 第14-18页 |
| 1.3.1 虹膜识别特性 | 第14-15页 |
| 1.3.2 虹膜识别原理 | 第15-17页 |
| 1.3.3 虹膜识别发展及应用 | 第17-18页 |
| 1.4 论文的研究内容和结构安排 | 第18-21页 |
| 2 虹膜图像的预处理 | 第21-37页 |
| 2.1 虹膜定位 | 第21-31页 |
| 2.1.1 边缘检测算法 | 第22-23页 |
| 2.1.2 Hough变换算法 | 第23-24页 |
| 2.1.3 微积分算法 | 第24-25页 |
| 2.1.4 主动轮廓线算法 | 第25页 |
| 2.1.5 最小二乘拟合圆算法 | 第25-31页 |
| 2.2 图像归一化 | 第31-34页 |
| 2.3 图像增强 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 3 虹膜图像的特征提取和编码 | 第37-46页 |
| 3.1 常用的特征提取和编码方法 | 第37-41页 |
| 3.1.1 二维Gabor滤波器算法 | 第37-39页 |
| 3.1.2 小波变换过零检测算法 | 第39-40页 |
| 3.1.3 高斯-拉普拉斯金字塔算法 | 第40-41页 |
| 3.2 Log-Gabor滤波器 | 第41-42页 |
| 3.3 Haar小波 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 虹膜图像的特征匹配 | 第46-52页 |
| 4.1 常用的匹配方法 | 第46-47页 |
| 4.1.1 矩阵相似度 | 第46-47页 |
| 4.1.2 Hamming距离 | 第47页 |
| 4.1.3 加权欧氏距离 | 第47页 |
| 4.2 特征融合 | 第47-50页 |
| 4.2.1 支持向量机 | 第48-50页 |
| 4.3 本文特征匹配算法 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 实验结果与分析 | 第52-57页 |
| 5.1 虹膜图像数据库 | 第52-53页 |
| 5.2 实验平台 | 第53页 |
| 5.3 算法性能评价指标 | 第53-54页 |
| 5.4 仿真结果与分析 | 第54-56页 |
| 5.4.1 不同SVM核函数时比较 | 第54-55页 |
| 5.4.2 不同算法时性能比较 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 个人简历 | 第63页 |
