| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 手指静脉识别技术的背景与意义 | 第13-16页 |
| 1.1.1 手指静脉识别技术的背景 | 第13-14页 |
| 1.1.2 手指静脉识别技术的意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国内研究现状 | 第16页 |
| 1.2.2 国外研究与应用现状 | 第16-18页 |
| 1.3 本文研究内容与章节安排 | 第18-19页 |
| 1.3.1 本文研究内容 | 第18页 |
| 1.3.2 本文章节安排 | 第18-19页 |
| 第2章 手指静脉识别技术 | 第19-32页 |
| 2.1 手指静脉识别的流程 | 第19页 |
| 2.2 指静脉图像采集 | 第19-21页 |
| 2.3 图像预处理 | 第21-26页 |
| 2.3.1 空间域増强算法 | 第21页 |
| 2.3.2 频率域增强算法 | 第21-22页 |
| 2.3.3 ROI提取 | 第22-23页 |
| 2.3.4 指静脉图像归一化 | 第23-26页 |
| 2.4 特征提取 | 第26-27页 |
| 2.5 匹配 | 第27-29页 |
| 2.6 本章小节 | 第29-32页 |
| 第3章 深度信念网络与卷积神经网络 | 第32-46页 |
| 3.1 深度置信念网络 | 第32-38页 |
| 3.1.1 受限波尔兹曼机 | 第32-33页 |
| 3.1.2 BP算法 | 第33-36页 |
| 3.1.3 对比散度法 | 第36-38页 |
| 3.2 卷积神经网络 | 第38-44页 |
| 3.2.1 卷积神经网络的结构与前向传播 | 第38-40页 |
| 3.2.2 卷积神经网络的反向传播 | 第40-41页 |
| 3.2.3 下采样方式 | 第41-42页 |
| 3.2.4 Dropout | 第42页 |
| 3.2.5 Softmax分类器 | 第42-44页 |
| 3.3 本章小结 | 第44-46页 |
| 第4章 基于深度学习与改进Gabor特征融合的指静脉识别 | 第46-58页 |
| 4.1 训练结构图 | 第46-47页 |
| 4.2 改进Gabor小波 | 第47-48页 |
| 4.3 均匀LBP | 第48-49页 |
| 4.4 深度信念网络训练 | 第49-50页 |
| 4.5 实验 | 第50-56页 |
| 4.5.1 变种修正线性单元(LeaKy ReLU) | 第54-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 基于改进卷积神经网络的指静脉识别 | 第58-70页 |
| 5.1 卷积神经网络 | 第58-63页 |
| 5.1.1 改进卷积层 | 第58-59页 |
| 5.1.2 激活函数 | 第59-62页 |
| 5.1.3 池化层 | 第62-63页 |
| 5.2 CNN代价函数 | 第63-65页 |
| 5.2.1 加入判别信息的CNN算法 | 第64-65页 |
| 5.3 实验 | 第65-69页 |
| 5.3.1 FV-USM数据库实验结果 | 第67-68页 |
| 5.3.2 天津指静脉数据库实验结果 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士期间发表的学术论文和专利 | 第76-78页 |
| 致谢 | 第78页 |