| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题研究背景及意义 | 第7-11页 |
| ·掌纹识别技术简介 | 第11-13页 |
| ·掌纹的特征 | 第11-12页 |
| ·掌纹研究发展现状 | 第12-13页 |
| ·论文研究内容及结构 | 第13-15页 |
| ·研究内容 | 第13页 |
| ·文章结构安排 | 第13-15页 |
| 第二章 掌纹识别的相关理论 | 第15-29页 |
| ·掌纹的采集设备 | 第15-16页 |
| ·掌纹图像的预处理 | 第16-24页 |
| ·灰度化处理 | 第17-18页 |
| ·二值化处理 | 第18-20页 |
| ·肤色检测技术 | 第20-23页 |
| ·定位分割 ROI | 第23-24页 |
| ·掌纹图像特征提取和匹配 | 第24-27页 |
| ·Kernel FisherPalm 特征提取和匹配 | 第24-26页 |
| ·DoGCode 特征提取和匹配 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于图像深度信息的分割研究 | 第29-49页 |
| ·基于人工神经网络的分割方法 | 第29-30页 |
| ·颜色空间 | 第30-31页 |
| ·图像深度信息 | 第31-33页 |
| ·Laws’ Masks 纹理模板和特征提取 | 第31-33页 |
| ·邻域信息 | 第33页 |
| ·基于支持向量机的分类算法 | 第33-39页 |
| ·支持向量机算法思想与流程 | 第34-37页 |
| ·基于支持向量机的手掌深度信息分类 | 第37-39页 |
| ·实验结果分析 | 第39-47页 |
| ·图像深度特征组合实验分析 | 第40-42页 |
| ·有无邻域信息的实验对比 | 第42-44页 |
| ·整体方法评价 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 基于卷积神经网络的掌纹辨识研究 | 第49-61页 |
| ·卷积神经网络(CNN) | 第49-52页 |
| ·概述 | 第49页 |
| ·CNN 的结构特点 | 第49-50页 |
| ·CNN 的样本训练预测流程 | 第50-52页 |
| ·基于 CNN 的掌纹分类应用 | 第52-56页 |
| ·构建数据集 | 第52-53页 |
| ·掌纹分类 CNN 模型的训练 | 第53-55页 |
| ·掌纹分类 CNN 模型的预测 | 第55-56页 |
| ·实验结果分析 | 第56-59页 |
| ·FisherPalm 实验分析 | 第56-57页 |
| ·DoGCode 实验分析 | 第57-59页 |
| ·CNN 实验分析 | 第59页 |
| ·本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| ·本文总结 | 第61-62页 |
| ·进一步的研究展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |