| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究的背景和意义 | 第9-11页 |
| 1.2 研究国内外研究现状及分析 | 第11-12页 |
| 1.2.1 手背静脉身份识别国内现状及分析 | 第11-12页 |
| 1.2.2 手背静脉身份识别国外现状及分析 | 第12页 |
| 1.3 本文工作内容 | 第12-14页 |
| 第二章 手背静脉身份识别的“概念学习”方法 | 第14-26页 |
| 2.1 “概念学习”识别方法概述 | 第14-16页 |
| 2.2 基于DENSE SIFT算法生成几何基元流程 | 第16-19页 |
| 2.2.1 SIFT算法概述 | 第16-17页 |
| 2.2.2 Dense SIFT采样 | 第17页 |
| 2.2.3 Dense SIFT生成几何基元描述的过程 | 第17-19页 |
| 2.3 基于改进的K-MEANS++多聚类算法构建几何部件集流程 | 第19-23页 |
| 2.3.1 传统BOW模型 | 第19-20页 |
| 2.3.2 改进的K-means++多聚类算法构建几何部件集流程 | 第20-23页 |
| 2.3.3 改进的K-means++多聚类算法优点 | 第23页 |
| 2.4 空间金字塔匹配模型SPM | 第23-25页 |
| 2.5 “概念学习”识别方法总结 | 第25-26页 |
| 第三章 手背静脉身份识别的“深度学习”方法 | 第26-33页 |
| 3.1 “深度学习”识别方法概述 | 第26页 |
| 3.2 基于ALEXNET模型的卷积神经网络分析 | 第26-29页 |
| 3.2.1 AlexNet模型分析 | 第27-28页 |
| 3.2.2 AlexNet模型优缺点 | 第28-29页 |
| 3.3 SOFTMAX Loss结合CENTER Loss的损失函数应用分析 | 第29-32页 |
| 3.3.1 Center loss介绍 | 第29-30页 |
| 3.3.2 Softmax Loss+Center Loss应用分析 | 第30-32页 |
| 3.4 “深度学习”识别方法总结 | 第32-33页 |
| 第四章 “概念学习”及“深度学习”方法实验验证及性能分析 | 第33-44页 |
| 4.1 手背静脉图像库介绍及数据预处理 | 第33-36页 |
| 4.1.1 手背静脉图像的介绍 | 第33-35页 |
| 4.1.2 手背静脉图像的预处理 | 第35-36页 |
| 4.2 基于“概念学习”算法的实验结果及分析 | 第36-40页 |
| 4.2.1 改进的K-means++多聚类模型中超参数分析 | 第36-37页 |
| 4.2.2 改进的K-means++多聚类模型的实验结果与分析 | 第37-40页 |
| 4.3 基于“深度学习”算法的实验结果及分析 | 第40-43页 |
| 4.3.1 大样本下的手背静脉图像数据增强 | 第40-41页 |
| 4.3.2 加入Center Loss层的网络模型实验结果与分析 | 第41-43页 |
| 4.4 小结 | 第43-44页 |
| 第五章 结论和展望 | 第44-46页 |
| 5.1 论文主要工作和结论 | 第44-45页 |
| 5.2 研究展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 在学期间的研究成果 | 第50-51页 |
| 致谢 | 第51-52页 |
