第一章 绪论
1.1 研究背景及意义
1.2 静脉识别的国内外研究现状及难点
1.2.1 手指和手背静脉识别的研究现状
1.2.2 手掌静脉识别研究现状
1.2.3 非接触式掌静脉识别的研究难点
1.3 本文创新点
1.4 论文的结构安排及主要研究工作
第二章 掌静脉图像的获取及预处理
2.1 手掌静脉图像采集
2.2 掌静脉数据库介绍
2.3 掌静脉图像ROI 选取
2.3.1 手掌关键点选择
2.3.2 图像旋转校正
2.3.3 掌静脉ROI选取及尺度归一化
2.4 掌静脉图像增强
2.4.1 直方图均衡
2.4.2 CLAHE(对比度限制自适应直方图均衡)
2.5 掌静脉图像去噪
2.5.1 均值滤波
2.5.2 中值滤波
2.6 本章小结
第三章 手掌关键点定位网络
3.1 手掌关键点定位网络设计
3.1.1 粗略定位网络
3.1.2 精确定位网络
3.2 关键点回归损失函数设计
3.3 实验数据准备及结果分析
3.3.1 手掌图像数据集扩增
3.3.2 实验结果分析
3.4 本章小结
第四章 基于卷积神经网络的掌静脉特征提取模型
4.1 深层掌静脉特征提取网络
4.1.1 特征提取网络的输入输出维度设定
4.1.2 深层卷积神经网络结构介绍
4.1.3 深层掌静脉特征提取网络设计
4.2 轻量级掌静脉特征提取网络
4.2.1 轻量级神经网络结构介绍
4.2.2 轻量级掌静脉特征提取网络设计
4.3 损失函数设计
4.3.1 Softmax Loss
4.3.2 Center Loss
4.3.3 L-softmax Loss和A-softmax Loss
4.3.4 Additive Angular Margin Loss
4.4 特征向量的相似性度量方法
4.5 模型压缩
4.6 本章小结
第五章 实验结果及分析
5.1 实验数据准备
5.1.1 掌静脉数据扩增
5.1.2 实验数据准备
5.2 实验性能指标
5.2.1 类内比对和类间比对
5.2.2 误识率、拒识率和等误率
5.3 实验设置及模型训练参数设置
5.4 实验结果分析
5.4.1 不同特征向量维度的性能对比
5.4.2 不同网络结构的性能对比
5.4.3 改进Residual Block对算法精度的提升
5.4.4 不同损失函数的性能对比
5.4.5 与其他算法性能对比
5.4.6 模型压缩及网络时间测试
5.5 本章小结
总结与展望
参考文献
声明
致谢
