| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 插图和附表清单 | 第8-9页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 生物特征识别方法 | 第9-11页 |
| 1.3 掌纹识别技术 | 第11-12页 |
| 1.4 掌纹识别技术的优势 | 第12页 |
| 1.5 掌纹识别技术研究现状 | 第12-13页 |
| 1.6 本文的主要研究内容 | 第13-14页 |
| 2 掌纹识别理论 | 第14-24页 |
| 2.1 掌纹识别的基本步骤 | 第14-16页 |
| 2.1.1 数据获取 | 第14-15页 |
| 2.1.2 特征提取 | 第15页 |
| 2.1.3 特征匹配与决策 | 第15-16页 |
| 2.2 掌纹特征提取算法 | 第16-20页 |
| 2.2.1 基于结构的方法 | 第16页 |
| 2.2.2 基于统计的方法 | 第16-17页 |
| 2.2.3 基于子空间的方法 | 第17页 |
| 2.2.4 基于空域-频域变换的方法 | 第17-19页 |
| 2.2.5 基于编码的方法 | 第19-20页 |
| 2.2.6 基于模板的方法 | 第20页 |
| 2.3 掌纹特征提取算法的分析比较 | 第20-22页 |
| 2.4 特征匹配算法的介绍 | 第22-24页 |
| 2.4.1 基于距离的相似性测度 | 第22页 |
| 2.4.2 分类算法 | 第22-24页 |
| 3 基于分块双向二维主成分分析与模糊分类的掌纹识别 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 2DPCA | 第24-26页 |
| 3.3 M(2D)~2PCA | 第26-28页 |
| 3.3.1 (2D)~2PCA | 第26-27页 |
| 3.3.2 分块(2D)~2PCA | 第27-28页 |
| 3.4 基于模糊理论的分类方法 | 第28-29页 |
| 3.5 本章算法实现步骤 | 第29-30页 |
| 3.6 实验结果及分析 | 第30-32页 |
| 3.6.1 北京交通大学掌纹数据库 | 第30页 |
| 3.6.2 实验一 不同降维方法识别率对比 | 第30-31页 |
| 3.6.3 实验二 不同分块面积的识别率对比 | 第31-32页 |
| 3.6.4 实验三 不同分类方法的识别率对比 | 第32页 |
| 3.7 小结 | 第32-34页 |
| 4 融合双向二维主成分分析与压缩感知的掌纹识别 | 第34-45页 |
| 4.1 引言 | 第34页 |
| 4.2 压缩感知介绍 | 第34-39页 |
| 4.2.1 理论框架 | 第35-37页 |
| 4.2.2 稀疏表示 | 第37-38页 |
| 4.2.3 压缩感知重构算法 | 第38-39页 |
| 4.3 基于压缩感知的掌纹识别研究 | 第39-41页 |
| 4.3.1 基于稀疏表示掌纹识别算法的可行性分析 | 第39页 |
| 4.3.2 掌纹图像的稀疏表示 | 第39-40页 |
| 4.3.3 融合(2D)~2PCA和压缩感知的掌纹识别 | 第40-41页 |
| 4.4 实验结果及分析 | 第41-44页 |
| 4.4.1 北京交通大学掌纹数据库 | 第41页 |
| 4.4.2 实验一 不同降维方法识别率和识别时间对比 | 第41-43页 |
| 4.4.3 实验二 不同分类方法识别率和识别时间对比 | 第43-44页 |
| 4.5 小结 | 第44-45页 |
| 5 总结与展望 | 第45-46页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 作者简介 | 第52页 |
