| 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9-16页 |
| 1.1 课题的研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外的研究现状 | 第10-11页 |
| 1.2.2 国内的研究现状 | 第11-12页 |
| 1.3 生物特征识别的发展趋势 | 第12-13页 |
| 1.4 目前存在的问题 | 第13-14页 |
| 1.5 本文研究的内容及章节安排 | 第14-16页 |
| 第二章 人耳识别技术基础知识 | 第16-27页 |
| 2.1 人耳识别可行性的依据 | 第16-18页 |
| 2.1.1 人耳的生理结构 | 第16页 |
| 2.1.2 人耳生物特征的基本性质 | 第16-17页 |
| 2.1.3 人耳识别的几种优势 | 第17-18页 |
| 2.2 人耳识别系统 | 第18页 |
| 2.3 人耳图像的获取 | 第18-20页 |
| 2.3.1 人耳检测 | 第18-20页 |
| 2.3.2 人耳图像库 | 第20页 |
| 2.4 人耳图像处理 | 第20-25页 |
| 2.4.1 图像增强 | 第20-23页 |
| 2.4.2 平滑滤波除噪 | 第23-25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 基于DWT和PCA及LDA的人耳识别算法研究 | 第27-46页 |
| 3.1 主成分分析方法 | 第27-29页 |
| 3.1.1 奇异值分解方法(SVD) | 第27-28页 |
| 3.1.2 PCA方法应用于人耳识别中 | 第28-29页 |
| 3.2 线性判别分析 | 第29-33页 |
| 3.2.1 线性判别函数 | 第29-31页 |
| 3.2.2 线性判别分析 | 第31-33页 |
| 3.2.3 LDA方法存在的奇异性问题 | 第33页 |
| 3.3 小波变换 | 第33-43页 |
| 3.3.1 连续小波变换 | 第34-35页 |
| 3.3.2 离散小波变换 | 第35-36页 |
| 3.3.3 多分辨率分析和Mallat算法 | 第36-39页 |
| 3.3.4 人耳图像的小波分解与重构 | 第39-43页 |
| 3.4 基于DWT和PCA及LDA人耳识别算法 | 第43-45页 |
| 3.4.1 基于DWT和PCA及LDA人耳识别算法原理 | 第43页 |
| 3.4.2 人耳图像的离散小波分解 | 第43-45页 |
| 3.4.3 人耳图像的特征提取 | 第45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 算法实验过程与数据分析 | 第46-53页 |
| 4.1 人耳识别实验图像库简介 | 第46页 |
| 4.2 实验具体步骤 | 第46页 |
| 4.3 实验结果及数据分析 | 第46-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 发表文章目录 | 第57-58页 |
| 致谢 | 第58-59页 |
| 详细摘要 | 第59-65页 |