| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 现有其他生物识别技术 | 第11-12页 |
| 1.2 手背静脉识别技术的研究现状 | 第12-13页 |
| 1.3 选题的意义与价值 | 第13-15页 |
| 1.4 当前手背静脉识别面临的问题 | 第15-16页 |
| 1.4.1 手背静脉识别的可行性 | 第15页 |
| 1.4.2 图片库容量的相关研究 | 第15-16页 |
| 1.5 本文使用图片库 | 第16页 |
| 1.6 本文研究内容 | 第16-18页 |
| 2 手背静脉识别算法模块设计 | 第18-21页 |
| 2.1 总体框架 | 第18-19页 |
| 2.1.1 算法综述 | 第18页 |
| 2.1.2 算法预期目标 | 第18-19页 |
| 2.1.3 算法预期难点 | 第19页 |
| 2.1.4 解决方案 | 第19页 |
| 2.2 图像分割模块设计 | 第19-20页 |
| 2.3 聚类优化模块设计 | 第20页 |
| 2.4 识别模块设计 | 第20-21页 |
| 3 手背静脉图像分割算法 | 第21-32页 |
| 3.1 算法介绍 | 第21-27页 |
| 3.1.1 边缘检测分割 | 第21-25页 |
| 3.1.2 阈值分割 | 第25-26页 |
| 3.1.3 niblack算法 | 第26-27页 |
| 3.1.4 hough变换 | 第27页 |
| 3.2 手背静脉图像边缘提取的实现 | 第27-28页 |
| 3.3 niblack算法的优化与实现 | 第28-30页 |
| 3.3.1 自适应滤波器的设计 | 第28-29页 |
| 3.3.2 niblack算法的优化 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 手背静脉图像聚类 | 第32-37页 |
| 4.1 算法介绍 | 第32-33页 |
| 4.1.1 小波纹理特征提取 | 第32页 |
| 4.1.2 求取均匀分布 | 第32-33页 |
| 4.1.3 基于k中心点的图像聚类 | 第33页 |
| 4.2 手背静脉图像聚类实现 | 第33-36页 |
| 4.2.1 小波纹理特征提取实现 | 第33-35页 |
| 4.2.2 基于k中心点的图像聚类实现 | 第35-36页 |
| 4.3 本章小结 | 第36-37页 |
| 5 聚类优化的贝叶斯识别 | 第37-44页 |
| 5.1 算法介绍 | 第37-39页 |
| 5.1.1 贝叶斯基本概念 | 第37页 |
| 5.1.2 贝叶斯公式 | 第37页 |
| 5.1.3 分类器设计 | 第37页 |
| 5.1.4 分类器常用准则 | 第37-38页 |
| 5.1.5 分类器设计基本方式 | 第38-39页 |
| 5.2 聚类优化的贝叶斯识别实现 | 第39-44页 |
| 5.2.1 贝叶斯最小错误率算法实现 | 第39-41页 |
| 5.2.2 贝叶斯最小风险算法实现 | 第41-42页 |
| 5.2.3 聚类优化贝叶斯算法的结果 | 第42-44页 |
| 6 聚类优化贝叶斯算法检测结果分析 | 第44-50页 |
| 6.1 自适应滤波迭代次数的变化情况 | 第44页 |
| 6.2 随k值变化识别率的变化情况 | 第44-46页 |
| 6.3 随k值变化识别时间的变化情况 | 第46-47页 |
| 6.4 随聚类迭代次数变化聚类时间与识别率的变化情况 | 第47-48页 |
| 6.5 随数据量变化聚类优化贝叶斯和贝叶斯识别时间的变化情况 | 第48-49页 |
| 6.6 算法检测结论 | 第49-50页 |
| 结论 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55-56页 |
| 附录 核心程序代码 | 第56-61页 |