| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 虹膜活体检测国内外研究现状 | 第11-13页 |
| 1.2.2 深度学习之卷积神经网络国内外研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文主要结构安排 | 第15-16页 |
| 第二章 虹膜活体检测的相关技术基础 | 第16-20页 |
| 2.1 虹膜识别系统 | 第16-18页 |
| 2.2 虹膜活体检测 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 基于批量标准化卷积神经网络的虹膜活体检测 | 第20-36页 |
| 3.1 卷积神经网络的基本原理 | 第20-26页 |
| 3.1.1 卷积层 | 第21-24页 |
| 3.1.2 池化 | 第24页 |
| 3.1.3 激活函数 | 第24-25页 |
| 3.1.4 全连接层 | 第25-26页 |
| 3.2 批量标准化卷积神经网络的虹膜活体检测 | 第26-29页 |
| 3.2.1 虹膜预处理 | 第26-27页 |
| 3.2.2 批量标准化卷积神经网络 | 第27-29页 |
| 3.3 结果分析与讨论 | 第29-35页 |
| 3.3.1 数据集 | 第29-30页 |
| 3.3.2 CASIA-Iris-Lamp&CASIA-Iris-Syn数据库上不同算法的性能 | 第30-32页 |
| 3.3.3 ND-contact数据库上的实验 | 第32页 |
| 3.3.4 批量标准化卷积神经网络与卷积神经网络的对比 | 第32-33页 |
| 3.3.5 卷积核大小对虹膜识别率的影响 | 第33-34页 |
| 3.3.6 训练数据与准确率的关系 | 第34-35页 |
| 3.3.7 迭代次数与loss值的关系 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于YOLO算法的虹膜活体检测 | 第36-45页 |
| 4.1 YOLO-F原理 | 第36-38页 |
| 4.2 YOLO-F网络结构 | 第38-39页 |
| 4.2.1 YOLO-F特征提取算法流程 | 第38-39页 |
| 4.3 网络训练 | 第39-40页 |
| 4.4 实验数据 | 第40-41页 |
| 4.5 实验参数 | 第41页 |
| 4.6 结果分析与讨论 | 第41-44页 |
| 4.6.1 数据集CASIA-Iris-Lamp&CASIA-Iris-Syn上的实验 | 第41-42页 |
| 4.6.2 数据集ND-contact上的实验 | 第42-43页 |
| 4.6.3 YOLO-F在不同学习率下的识别率性能分析 | 第43页 |
| 4.6.4 YOLO-F在不同迭代次数下的识别率性能分析 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 论文工作总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 附录(攻读学位期间发表论文目录) | 第53页 |
