基于分层特征的SVM与融合决策的静脉识别研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-12页 |
| 第1章 绪论 | 第12-24页 |
| ·课题研究的目的与意义 | 第12-13页 |
| ·本文的研究背景介绍 | 第13-16页 |
| ·静脉识别技术的优越性 | 第13-15页 |
| ·静脉识别系统的基本组成 | 第15-16页 |
| ·静脉分类和匹配技术国内外研究现状 | 第16-21页 |
| ·静脉特征提取国内外发展现状 | 第16-18页 |
| ·静脉分类技术国内外发展现状 | 第18-19页 |
| ·静脉匹配技术国内外发展现状 | 第19-21页 |
| ·静脉的分类和匹配在静脉识别中的重要性 | 第21页 |
| ·本文的研究内容 | 第21-23页 |
| ·本文的主要研究工作和论文组织 | 第23-24页 |
| 第2章 基于分层的静脉图像特征提取 | 第24-46页 |
| ·静脉特征提取的典型方法 | 第24-25页 |
| ·静脉图像的特征分析 | 第25-27页 |
| ·图像特征分析的几个基本概念 | 第25-26页 |
| ·基于静脉图像的特征分析 | 第26-27页 |
| ·图像全局特征提取 | 第27-29页 |
| ·基于几何形状的特征提取 | 第29-43页 |
| ·不变矩的介绍 | 第30-37页 |
| ·基于几何形状的静脉特征提取 | 第37-38页 |
| ·不变矩的归一化 | 第38-39页 |
| ·基于小波矩的静脉特征 | 第39-43页 |
| ·基于图像纹理特征提取 | 第43-45页 |
| ·静脉图像的纹理特征 | 第43-44页 |
| ·静脉纹理特征点提取方法和步骤 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第3章 基于级联和SVM的分类器设计 | 第46-64页 |
| ·级联结构的分类方法介绍 | 第46-47页 |
| ·Adaboost算法 | 第46-47页 |
| ·支持向量机 | 第47页 |
| ·支持向量机(SVM) | 第47-54页 |
| ·支持向量机理论 | 第48页 |
| ·最优分类面 | 第48-51页 |
| ·基于线性SVM节点学习的数学模型 | 第51-54页 |
| ·级联的SVM分类器 | 第54页 |
| ·支持向量机的逼近 | 第54页 |
| ·支持向量机分类器的叠加 | 第54页 |
| ·静脉图像的级联SVM分类 | 第54-63页 |
| ·静脉图像的分类策略 | 第55-56页 |
| ·实验结果与分析 | 第56-63页 |
| ·本章小结 | 第63-64页 |
| 第4章 基于分层特征分类的信息融合决策 | 第64-70页 |
| ·图像融合的层次 | 第64-66页 |
| ·数据层融合 | 第64-65页 |
| ·特征层融合 | 第65页 |
| ·决策层融合 | 第65-66页 |
| ·静脉分层特征分类的信息融合决策 | 第66-67页 |
| ·实验结果与分析 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 基于三层特征提取的最近邻匹配策略 | 第70-78页 |
| ·图像配准原理 | 第70-71页 |
| ·常用的图像匹配技术 | 第71-72页 |
| ·静脉图像的最近邻距离匹配策略 | 第72-75页 |
| ·静脉的最近距离匹配算法步骤 | 第72-73页 |
| ·基于三层特征提取的静脉图形的最近邻匹配方法 | 第73-75页 |
| ·基于最近邻的静脉匹配实验及结果分析 | 第75-76页 |
| ·本章小结 | 第76-78页 |
| 第6章 结语 | 第78-80页 |
| ·总结 | 第78-79页 |
| ·展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84页 |
