基于2DLDA与SVM的人耳识别算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 生物特征识别发展前景 | 第12-13页 |
| 1.4 本文研究的主要内容 | 第13-15页 |
| 第二章 人耳识别技术 | 第15-27页 |
| 2.1 人耳识别可行性的依据 | 第15-18页 |
| 2.1.1 人耳的生理结构 | 第15页 |
| 2.1.2 人耳生物特征的基本性质 | 第15-16页 |
| 2.1.3 人耳识别的优势与劣势 | 第16-18页 |
| 2.2 人耳识别系统 | 第18页 |
| 2.3 人耳图像的获取及检测 | 第18-19页 |
| 2.4 人耳图像处理 | 第19-25页 |
| 2.4.1 图像增强 | 第19-22页 |
| 2.4.2 平滑滤波除噪 | 第22-25页 |
| 2.5 人耳识别的性能评估 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 线性鉴别分析与支持向量机算法设计 | 第27-39页 |
| 3.1 线性鉴别分析 | 第27-30页 |
| 3.1.1 一维线性鉴别分析 | 第27-29页 |
| 3.1.2 二维线性鉴别分析 | 第29-30页 |
| 3.1.3 基于 2DLDA的人耳图像特征提取 | 第30页 |
| 3.2 支持向量机 | 第30-38页 |
| 3.2.1 支持向量分类机 | 第32-35页 |
| 3.2.2 核函数 | 第35-37页 |
| 3.2.3 支持向量机模型选择 | 第37页 |
| 3.2.4 基于SVM的人耳图像分类识别 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于 2DLDA与SVM结合的人耳识别 | 第39-48页 |
| 4.1 人耳识别实验图像库 | 第39页 |
| 4.2 实验结果及分析 | 第39-43页 |
| 4.3 系统设计 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 发表文章目录 | 第53-54页 |
| 致谢 | 第54-55页 |
