| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 研究背景 | 第13-16页 |
| 1.1.1 身份认证与生物特征识别 | 第13页 |
| 1.1.2 生物特征识别的种类 | 第13-15页 |
| 1.1.3 手背静脉识别的研究意义 | 第15-16页 |
| 1.2 静脉识别中特征提取方法研究现状 | 第16-18页 |
| 1.3 子空间特征提取方法 | 第18-23页 |
| 1.3.1 基于向量的线性子空间特征提取 | 第19-21页 |
| 1.3.2 基于核技术的子空间特征提取 | 第21页 |
| 1.3.3 基于图像矩阵的子空间特征提取 | 第21-22页 |
| 1.3.4 基于流形学习的子空间特征提取 | 第22-23页 |
| 1.4 识别算法的性能评价指标 | 第23-25页 |
| 1.5 本文的章节安排 | 第25-27页 |
| 第2章 手背静脉图像的采集及感兴趣区域的提取 | 第27-35页 |
| 2.1 引言 | 第27页 |
| 2.2 手背静脉图像的采集 | 第27-28页 |
| 2.3 手背静脉图像感兴趣区域的提取 | 第28-34页 |
| 2.3.1 中值滤波 | 第29页 |
| 2.3.2 图像二值化 | 第29-30页 |
| 2.3.3 边界提取 | 第30页 |
| 2.3.4 手背关节头的定位 | 第30-31页 |
| 2.3.5 感兴趣区域的提取 | 第31-34页 |
| 2.4 实验结果 | 第34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于偏最小二乘法的手背静脉识别 | 第35-49页 |
| 3.1 引言 | 第35-36页 |
| 3.2 偏最小二乘法 | 第36-39页 |
| 3.2.1 偏最小二乘回归的基本思想 | 第36-37页 |
| 3.2.2 偏最小二乘回归的数学原理 | 第37-38页 |
| 3.2.3 偏最小二乘回归的计算方法 | 第38-39页 |
| 3.3 基于偏最小二乘法的手背静脉识别 | 第39-43页 |
| 3.3.1 小波变换 | 第40-42页 |
| 3.3.2 基于偏最小二乘法的手背静脉特征提取 | 第42-43页 |
| 3.3.3 特征匹配 | 第43页 |
| 3.4 实验结果 | 第43-47页 |
| 3.4.1 小波级数的确定 | 第43-44页 |
| 3.4.2 特征预提取 | 第44-45页 |
| 3.4.3 实验数据及分析 | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 基于广义判别独立成分分析的手背静脉识别 | 第49-65页 |
| 4.1 引言 | 第49页 |
| 4.2 独立成分分析 | 第49-54页 |
| 4.2.1 独立成分分析的模型及算法 | 第49-52页 |
| 4.2.2 两种不同结构的独立成分分析 | 第52-54页 |
| 4.3 核方法 | 第54-56页 |
| 4.3.1 核方法的基本思想 | 第54-55页 |
| 4.3.2 常用的核函数 | 第55-56页 |
| 4.4 广义判别分析 | 第56-58页 |
| 4.5 基于广义判别独立成分分析的手背静脉识别 | 第58-60页 |
| 4.5.1 手背静脉特征提取 | 第59-60页 |
| 4.5.2 特征匹配 | 第60页 |
| 4.6 实验结果 | 第60-63页 |
| 4.6.1 独立成分分析阶段特征个数的选择 | 第60-61页 |
| 4.6.2 实验数据及分析 | 第61-63页 |
| 4.7 本章小结 | 第63-65页 |
| 第5章 基于核判别非负矩阵分解的手背静脉识别 | 第65-81页 |
| 5.1 引言 | 第65-66页 |
| 5.2 非负矩阵分解 | 第66-73页 |
| 5.2.1 非负矩阵分解的基本概念 | 第66页 |
| 5.2.2 非负矩阵分解的优化模型及最优性条件 | 第66-68页 |
| 5.2.3 常用的非负矩阵分解算法 | 第68-69页 |
| 5.2.4 基于投影梯度的交替非负最小二乘法 | 第69-73页 |
| 5.3 核直接判别分析 | 第73-76页 |
| 5.4 基于核判别非负矩阵分解的手背静脉识别 | 第76-77页 |
| 5.4.1 手背静脉特征提取 | 第76-77页 |
| 5.4.2 特征匹配 | 第77页 |
| 5.5 实验结果 | 第77-80页 |
| 5.5.1 非负矩阵分解基个数的确定 | 第77-78页 |
| 5.5.2 实验数据及分析 | 第78-80页 |
| 5.6 本章小结 | 第80-81页 |
| 第6章 基于核主成分分析和局部保持投影的手背静脉识别 | 第81-95页 |
| 6.1 引言 | 第81-82页 |
| 6.2 流形学习方法概述 | 第82-85页 |
| 6.2.1 局部线性嵌入 | 第82-83页 |
| 6.2.2 等距映射 | 第83-84页 |
| 6.2.3 拉普拉斯特征映射 | 第84-85页 |
| 6.3 局部保持投影 | 第85-87页 |
| 6.4 核主成分分析 | 第87-90页 |
| 6.5 基于核主成分分析和局部保持投影的手背静脉识别 | 第90-92页 |
| 6.5.1 手背静脉特征提取 | 第90-91页 |
| 6.5.2 特征匹配 | 第91-92页 |
| 6.6 实验结果 | 第92-94页 |
| 6.7 本章小结 | 第94-95页 |
| 第7章 基于分块双向二维局部保持投影的手背静脉识别 | 第95-109页 |
| 7.1 引言 | 第95-96页 |
| 7.2 基于二维图像矩阵的特征提取方法的基本原理 | 第96-100页 |
| 7.2.1 二维主成分分析 | 第97-99页 |
| 7.2.2 二维线性判别分析 | 第99-100页 |
| 7.3 双向二维局部保持投影 | 第100-102页 |
| 7.4 分块双向二维局部保持投影 | 第102-104页 |
| 7.5 基于分块双向二维局部保持投影的手背静脉识别 | 第104-105页 |
| 7.5.1 手背静脉特征提取 | 第104-105页 |
| 7.5.2 特征匹配 | 第105页 |
| 7.6 实验结果 | 第105-108页 |
| 7.7 本章小结 | 第108-109页 |
| 第8章 总结与展望 | 第109-115页 |
| 8.1 论文工作总结 | 第109-111页 |
| 8.2 本文提出的识别算法性能比较及分析 | 第111-112页 |
| 8.3 未来工作展望 | 第112-115页 |
| 参考文献 | 第115-127页 |
| 致谢 | 第127-129页 |
| 攻读博士学位期间的研究成果 | 第129-130页 |
