一、基于Gabor滤波的指纹增强方法研究（论文文献综述）
雷求胜[1]（2021）在《Gabor滤波的指纹图像增强的应用研究》文中认为在大多数指纹采集过程中都会受到手指皮肤干湿度、皮肤受损程度和采集时手指压力度等因素的影响,从而导致采集的指纹图像中脊线有明显的断痕,存在大量的低质量区。为了提高指纹采集图像的清晰度,进而提升指纹识别的准确率和识别速度,本文选用Gabor滤波算法来增强指纹图像,其中包括对图像进行归一化、估算指纹方向场和频率场以及Gabor滤波这三个过程。仿真结果表明,对原指纹图像进行Gabor滤波后,可以很好地增强和改善指纹图像中的低质量区域。
何致远[2]（2021）在《低质量小面积指纹识别》文中提出指纹识别是应用最广泛的身份认证技术之一。随着移动终端集成度的增加和消费者对终端轻便性要求的不断增长,指纹传感器采集面积不断减小,从而导致了用于指纹匹配的有效信息减少;另一方面,移动终端上指纹的采集条件复杂多样,且诸如皮肤龟裂、污渍等不利条件会对指纹图像造成影响。因此,小面积低质量指纹识别技术不仅是一项具有广泛应用前景的身份认证技术,而且是一项迫切需要解决的技术难题。本文的研究聚焦于低质量小面积指纹匹配,提出了一个全新的小面积指纹图像匹配算法框架,并在公开数据集以及自有数据集测试中达到了目前小面积指纹识别最好的性能。主要工作和创新点如下:（1）指纹图像增强。针对指纹图像质量较差和使用场景多样化的问题,我们首先采用卡通纹理分解来消除采集环境不同造成的指纹图像差异,提高指纹识别算法的多场景适应能力;第二,通过神经网络提取稳定的指纹方向场信息;第三,将提取到的方向场信息应用于Gabor滤波器中,增强指纹图像的纹理结构,修复指纹破损区域。通过Gabor滤波,图像中的背景噪声被减弱。（2）指纹图像对准。针对小面积指纹存在图像旋转平移大,重叠面积小的问题,我们设计了空间变换网络（Spatial Transformer Network,STN）,在指纹识别过程中自动对准输入的指纹图像。所设计的STN网络采用多角度旋转和网络权值共享策略,能够适应任意变换角度的输入指纹图像,大幅度提升了仿射变换参数预测性能。（3）指纹图像匹配。针对小面积指纹可用的细节点特征较少、且大数据场景下指纹细节点、方向场的标注比较困难的问题。我们设计了基于局部自注意力机制的指纹配对二元分类模型。通过使用多尺寸滑动窗口策略来提取不同尺寸下的指纹特征,并使用乘积网络来加权指纹局部特征。实验表明,我们提出的匹配网络能够在没有先验信息的条件下,自动学习到指纹一级和二级特征,如脊线、细节点等,并实现了较好的指纹识别性能。本文针对低质量小面积指纹匹配课题进行研究,所提出的指纹匹配算法在FVC2006小面积指纹识别比赛中,取得了等错率（EER）3.15%的成绩,远超排行榜第一名（EER:5.56%）,且性能也优于最新的商用指纹识别算法Veri Finger12.0（EER:4.04%）。此外,我们还将指纹匹配算法应用到手机屏下指纹识别场景中,正常皮肤湿度条件下,达到了误识率小于五万分之一的条件下,误拒率3.103%的良好性能。
任毅[3]（2019）在《指纹识别系统的研究和实现》文中指出指纹识别是最早将生物特征用于身份识别的技术之一,也是一种技术很成熟的身份识别技术。指纹识别算法主要分为指纹图像预处理和图像特征点匹配两个部分。由于指纹特征点的提取和匹配是基于预处理图像上的,所以指纹预处理对指纹图像识别准确率影响重大。甚至可以说,指纹特征提取的准确性和可靠性直接取决于指纹预处理的好坏,指纹预处理直接决定指纹识别的最终效果。本篇论文比较深入地研究了指纹图像的预处理技术,主要是为了提出新的方法和技术来解决当前指纹预处理中存在的不足。在本篇论文的相关章节中,研究了包括指纹图像规格化、灰度均衡化及指纹图像分割等图像预处理算法。本文采用一种改进的Gabor滤波算法,该算法利用指纹的方向和频率信息,在图像增强方面效果更好。在分析指纹图像二值化的基础上,选取了一种基于梯度方向信息和频率信息的二值化方法,降低梯度对图像质量的要求。在研究基础指纹图像细化算法中,选用了一种改进的OPTA（One Pass Thinning Algorithm）细化算法,该方法可以有效地抑制毛刺,细化效果提升较为明显。基于以上研究成果,本文完成了一个较为成熟的基于指纹识别的身份认证系统。将指纹作为用户登录的方式,克服了传统用户登录使用个人密码的缺陷。我们先进行了功能和非功能需求分析,并根据上文中的分析,对指纹识别系统的主要功能模块进行设计和工程化实践,然后通过MFC（Microsoft Foundation Class）框架组合各个模块,构建出可视化指纹识别系统。最后对指纹识别系统进行测试与运用。但由于条件限制,大规模的系统应用的性能未能进行验证。
徐国庆[4]（2020）在《基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究》文中研究指明指纹因其具有唯一性、普遍性、稳定性以及易采集性,使得指纹特征在众多的生物特征识别中得到了广泛的应用,其中包括刑侦、身份识别等领域。从上世纪九十年代我国开始对指纹识别技术进行研究和应用,发展至今已有将近三十年的历史,取得了很多优秀的成果,特别是针对高质量的指纹图像,已经发展的非常成熟。但是,在实际的指纹采集过程中往往因为手指表面存在缺陷,手指或指纹采集传感器表面存在污渍等原因,会使得采集得到的指纹库中包含脊线模糊、断裂的低质量指纹图像,而且在我国的指纹库中也存在低质量指纹图像,这些低质量指纹图像的存在严重影响指纹识别的准确率。针对这个问题,本文以低质量指纹图像为对象,在指纹识别的系统的预处理阶段、特征提取阶段和识别阶段进行了研究,主要研究工作内容如下:1.在预处理阶段提出一种二维Otsu准则的自适应分数阶微分增强耦合短时傅里叶变换（Short-time Fourier Transform,STFT）的低质量指纹图像增强算法,该算法将对于纹理有较好增强效果的方法和基于纹理特征的针对性增强方法有机结合在一起,以自适应分数阶微分理论为基础,通过引入改进的二维Otsu准则,结合指纹图像的区域特征构造出自适应分数阶微分函数,对低质量指纹图像的边缘和弱纹理进行增强,然后再利用STFT分析指纹图像,根据其方向图、频率图等纹理信息构造频域滤波器对指纹图像进行二次增强。从而有效的解决了低质量指纹图像存在的纹理模糊和纹线不连续的问题。将本文方法与Gabor滤波增强方法和单独使用STFT滤波增强方法相比,结果表明:利用本文提出的方法处理后得到的增强结果更加符合纹线的走势,对低质量指纹图像存在的模糊和纹线不连接问题可以准确有效的解决。并使用局部自适应阈值方法处理得到二值化图像,然后使用改进的OPTA（One-Pass Thinning Algorithm）细化算法处理得到细化指纹图像,为后续的特征提取做准备。2.在特征提取阶段研究分析了目前特征提取的方法,并使用了模板匹配法对经过预处理的指纹图像进行细节点（端点和分叉点）特征的提取。使用删除模板和保留模板遍历整幅指纹图像的所有像素点,提取得到所有满足条件的细节特征点（包含伪特征点）,然后对提取得到的所有的细节特征点进行去伪处理,为后续的指纹识别提供可靠、有效的细节特征点信息。3.在识别阶段提出一种基于高斯模糊化征点图的卷积神经网络识别方法。将经过特征提取处理后得到的只包含特征点（端点和分叉点）的指纹图像进行高斯模糊化处理,以降低指纹图像纹理特征,突出强调其特征点以及特征点之间的相互关系。并且经过高斯模糊化处理后,使其对旋转和平移具有较高的容忍性。使用相同的数据与基于随机森林算法的识别结果相比有明显优势,以高斯模糊化特征点图作为卷积神经网络（Convolutional Neural Networks,CNN）的输入,对其进行识别,得到了理想的识别结果,识别率可以达到98.75%。
陈晓腾[5]（2020）在《前臂静脉特征的提取与匹配方法研究》文中研究表明近年来,生物特征识别技术大受欢迎,相比于传统识别技术,其拥有更好的安全性、稳定性和便利性。而其中的静脉识别技术由于具有活体检测能力和极高的安全性获得了较多的关注,目前已经有许多公司开发了相应的商用产品。然而,目前的静脉识别技术几乎都局限于手部,而与手部相比,手臂具有更大的面积、更多的纹理和更丰富的特征信息。另外,传统的静脉特征都是通过近红外成像获得的,这就增加了静脉识别系统的复杂性和成本,如果能从可见光皮肤图像中检测出静脉,那么仅用数码相机就可以获得所需数据,从而极大地降低静脉识别的成本并提高其便捷性。针对前述问题,本文研究了一种关于可见光前臂静脉图像的特征提取和匹配算法,主要工作如下:首先,针对可见光前臂静脉图像质量极低的问题,对可见光图像进行静脉显像,然而显像图像的质量仍然无法达到特征提取的要求,为此,本文研究了一种基于降采样、引导滤波和CLAHE增强的图像预处理方法对显像图像进行进一步处理,从而提高了显像图像的质量。然后,针对传统静脉线提取算法难以兼顾完整性和准确性的问题,研究了一种基于Gabor滤波和线跟踪的静脉线提取算法,该算法能在保证静脉结构大致完整的情况下有效地解决静脉线断裂的问题。同时本文研究了一种基于Frangi滤波的伪静脉线剔除算法,从而消除显像图像中阴影区域导致的静脉线误提取的现象。最后对提取出的静脉线出现的断点、毛刺和空洞进行了修复。接着,研究一种基于细节点的静脉特征提取方法,首先对提取到的静脉线进行均匀采样并将采样点作为细节点,然后提取细节点的特征作为静脉特征,这些细节点相比分叉点和端点能够提供更多的特征信息。同时研究了一种基于CPD算法的静脉特征匹配算法,对将要匹配的两幅静脉图像中的细节点进行配准,利用匹配的细节点的特征来计算匹配分数。最后,在数据集上分别对静脉线提取算法和静脉特征匹配算法进行对比分析,实验结果证明了上述算法的有效性,并证明了利用前臂静脉进行身份识别的前景和利用可见光相机采集静脉图像的可行性。
李树一[6]（2019）在《多模态生物特征编码融合识别方法》文中研究说明近些年来,基于手指的多模态特征识别逐渐成为身份鉴别领域的研究热点。然而,手指多模态特征识别的性能通常对光照变化和手指姿态变化较为敏感。因此,探索一种鲁棒的特征表达方法对提高手指多模态识别性能尤为重要。针对以上问题,本文提出了基于编码的多模态特征融合识别方法,主要研究以下内容:1)提出了基于加权交叉局部图结构的特征编码方法（SCW-LGS）,用于指静脉识别。首先利用方向型Gabor滤波器对静脉图像进行增强。然后重点研究一种多方向编码算子获取Gabor特征编码图,充分表达周围邻域像素点间的位置信息和梯度信息。2)提出了基于特征编码的手指多模态融合识别方法。首先通过一组多通道Gabor滤波器增强手指三模态图像的方向特征。然后,利用改进后的编码方案提取特征编码图。最后,将特征编码图均匀划分为非重叠子块,计算所有子块的灰度直方图,将其串联成一组特征向量进行相似度匹配。3)提出了融合局部编码和卷积神经网络（LC-CNN）的特征提取方法。通过卷积滤波器对三种传统编码方法进行重构,再利用改进后的预训练CNN模型进一步提取手指三模态特征,并将提取到的特征向量输入支持向量机（SVM）中实现图像分类。在此基础上,利用两种融合策略实现多模态特征识别。通过实验验证所提出方法的识别性能。实验结果表明,本文提出的方法在识别准确率、运算效率方面均取得了较好的效果,能够有效解决手指姿态易变问题,提高手指三模态特征表达的鲁棒性。
刘珍珍[7]（2018）在《干性指纹图像增强与特征提取技术的研究》文中指出随着信息化产业的发展,用于身份认证的生物识别技术需求日益迫切,指纹识别技术是应用较为广泛及成熟的生物识别技术之一。目前,良好指纹图像的识别技术较为成熟。然而,对于公安体系中因手指皮肤过干形成的干性指纹图像,纹线结构不完整且对比度低,采用传统的指纹识别技术识别效果不佳。本文以干指纹图像为研究对象,研究其识别系统中的关键技术,包括干指纹图像的优化采集、分割、增强及特征提取等,主要工作如下:（1）研究干指纹图像的采集技术,根据干指纹图像的干湿度与光照亮度的关系,提出一种自动优化采集指纹图像的方法,该方法提高了干指纹图像的质量,为干指纹图像的增强及特征提取奠定基础。（2）研究指纹图像分割算法,分析了传统分割算法的优缺点,并提出了一种基于改进的Canny算子与形态学结合的分割算法。该算法首先采用改进的Canny算子对干指纹图像进行边缘检测获取前景模板;其次利用合适的结构元素对前景边缘进行一系列形态滤波,修正前景边缘区域;最后对指纹前景边缘进行平滑滤波。实验结果表明,本文算法对干指纹图像的分割较为准确,且不会丢失指纹边缘的有效信息。（3）研究了方向滤波及Gabor滤波增强算法,并从纹线方向及频率的求取方法上改进了Gabor滤波增强算法。首先采用自适应方法求取图像块的大小,获取相对准确的方向参数;其次计算指纹局部区域频率,并求取其平均频率;最后综合纹线的方向及频率采用方向可变的滤波器进行滤波增强。结果表明,增强后的干指纹图像纹线对比度提高,结构更清晰,算法耗时较少。（4）研究指纹图像的特征提取及去伪算法。对增强后干指纹图像进行二值化及细化操作,采用模板匹配法提取细化后图像的特征。针对不同位置伪特征采用不同的去伪算法,伪特征的删除率较高,从而提高识别的正确率。
卞维新[8]（2018）在《指纹图像方向场提取及增强算法研究》文中进行了进一步梳理生物特征识别技术是当前信息科学技术领域研究的热点之一,而指纹识别技术则是当前应用最好的生物特征识别技术。尽管对自动指纹识别技术的研究由来已久,取得了非常丰硕的成果,但对于低质量指纹（由于干燥、伤痕、油腻和潮湿等原因造成的含大噪声指纹）的识别一直是一项具有挑战性的问题。本文针对自动指纹识别系统中低质量指纹图像的方向场提取和增强等关键问题进行了研究。具体的研究内容如下:1.对低质量指纹图像方向场提取方法进行研究。指纹方向场描述了指纹全局、可靠的内在模式特征,在指纹识别系统中起着非常重要的作用。本文研究了一种结合加权线性投影分析和方向扩散的指纹方向场提取方法。首先采用二维离散正交多项式拟合块内点方向,抑制孤立大噪声;其次,充分考虑点梯度模在估计块最优方向时的贡献,依据点方向的相似性得到点梯度模的权重,基于点梯度向量集的加权线性投影分析来估计块最优投影方向;最后,基于块质量分级机制和复合窗口策略实现指纹方向场重建。2.对基于频域带通滤波的指纹图像增强方法进行研究。带通滤波器的性能对滤波增强至关重要。为了改善带通滤波器的性能,本文设计了一个具有方向选择性的2D自适应Chebyshev带通滤波器对指纹进行滤波增强。增强过程分为两个阶段:在第一阶段,使用Gabor滤波和直方图均衡化对指纹进行预增强;在第二阶段,首先利用块内点方向一致性对块质量进行评价;其次,对带通滤波器的自适应参数进行估计;然后,结合块频谱方向,设计出具有方向选择性的带通滤波器;最后,结合频谱扩散,采用设计的具有方向选择性的2D自适应Chebyshev带通滤波器对指纹图像进行增强。3.对基于深度玻尔兹曼机（Deep Boltzmann Machine,DBM）重构的指纹图像增强方法进行研究。引入脊线方向先验信息,构建分类训练样本集,为拥有不同方向类别的训练样本分别训练一个独特的DBM模型;在指纹图像块质量分级机制和复合窗口策略下,使用具有方向选择性的方向高斯带通滤波器对指纹图像进行预增强;对预增强指纹图像中的误增强区域使用具有方向选择性的DBM进行重构,选择对应方向类别的DBM模型重构相应的错误增强块,得到准确重构的指纹图像。4.对基于字典学习的指纹图像稀疏增强方法进行研究。本文研究了一种结合Gabor滤波和分类字典学习的指纹图像增强方法。提出的方法分为两个阶段:在第一阶段,依据块方向将训练样本分为8类,在频域依据每类训练样本集,分别训练得到8个分类字典。在第二阶段,采用Gabor滤波对指纹图像进行预增强,得到预增强指纹图像。基于块质量分级机制和复合窗口策略,使用带有脊线先验信息的分类字典对指纹图像进行稀疏增强。块质量分级机制和复合窗口策略保证了频谱扩散的成功应用,进一步提高了增强质量。5.对基于分类耦合字典的指纹图像超分辨率稀疏表示方法进行研究。提出算法的基本思想是使用具有可靠脊线模式先验的分类耦合字典对指纹图像进行稀疏表示超分辨率重构。首先,利用加权线性投影分析对训练块方向进行估计;其次,基于点方向一致性对块质量进行评估,随后依据训练块的方向将它们分为8类,然后在每类训练块中依据块质量挑选高质量的块构成分类训练样本集,分别为每一类训练样本学习一个分类耦合字典;最后,利用带有脊线模式先验的分类耦合字典对指纹图像进行稀疏表示超分辨率重构。
陈俊鸿[9]（2016）在《Gabor滤波指纹增强算法研究》文中研究说明随着科学技术的不断发展,指纹验证已经成为个人身份验证的重要方式。在指纹采集的过程中,受到手指表面湿度、伤痕以及采集器表面污渍等外部环境因素的影响,采集得到的原始指纹图像不仅包含背景噪声,还存在指纹脊线粘连、断裂等问题,因此执行指纹图像预处理算法是十分必要的。指纹预处理算法又称为指纹增强算法,由于Gabor滤波器优秀的方向和频率选择性,被广泛应用在指纹增强算法中。但传统Gabor滤波指纹增强算法存在耗时长、效率低下的缺点,为解决这一问题,本文分析并优化了算法的中间步骤,包括指纹分割、方向图计算、滤波增强以及特征点提取与去伪等过程。在指纹分割方面,本文提出了基于遗传算法的指纹分割方法;在方向图计算方面,改进了邻域方向模板,提出了结合最大灰度均值差的方向可靠性计算方法;在频率图计算方面,给出了 MATLAB实现的优化策略;在Gabor滤波方面,提出了离散化Gabor滤波器组的方法,将块频率划分为3个等级,对应3种不同尺寸的Gabor滤波器;在特征点提取方面,提出了基于路径跟踪与修复的特征点去伪算法;在参数调试方面,为了提高重复操作以及观察图像细节的便捷性,在MATLAB平台上设计了人机交互界面,以色阶和示意线的方式显示了指纹方向、频率的分布情况、图像细节以及指纹增强结果。为了验证改进算法的性能,本文根据特征点提取的GI（优度指数）值以及平均运算时长两个指标对算法进行了对比实验。实验结果表明,本文基于遗传算法的指纹分割方法错误率较低、实用性较强;在方向图计算、方向可靠性计算以及特征点去伪等步骤的优化效果较好;离散化的Gabor滤波算法提高了运算速度。
张升斌[10]（2013）在《基于Gabor滤波和二维最大熵的低质量指纹预处理技术》文中进行了进一步梳理随着计算机和图像处理技术的飞速发展，指纹提取和指纹识别技术不断完善。基于指纹自动识别的研究成果已广泛应用于人们的工作和生活中。例如门禁系统、身份识别系统、以及各类需要确定身份的场合。在指纹识别技术进入人们生活、工作的同时，低质量指纹识别技术也同样获得了学术界的广泛重视。如犯罪现场、手指油污、指纹图片破损等情形下，常用的指纹提取与识别算法一般性能不理想，正确识别率低。本论文针对低质量指纹图像展开研究工作如下：（1）本文首先对指纹的基本概念进行了介绍，阐述了传统指纹处理的主要方法；对指纹处理系统的流程进行了描述。其中包括指纹图像采集、生成指纹图像、指纹区域检测、图像质量判断、纹线方向和纹线频率估计、图像增强、图像分割、二值化、细化、提取特征点、假特征点的去除以及特征匹配等。本文主要对低质量指纹的增强、分割、细化及特征提取过程进行研究。（2）描述了两类传统的指纹图像增强技术：即时域指纹增强技术和频域指纹增强技术。由于短时傅里叶变换（STFT）在对指纹图像处理中可以快速准确地获得纹线频率参数和纹线方向参数，同时可以估算出区域掩码，对指纹的前景区域和背景区域进行分离，在速度和准确性方面具有一定优势。本文采用短时傅里叶变换（STFT）获取纹线频率和纹线方向等参数，然后利用二维Gabor滤波器方法对低质量指纹进行增强处理。实验结果表明本文的方法不仅仅在噪声抑制上具有良好的效果，同时在指纹脊线方向上具有较好的噪声保持作用,使得脊线更加分明，连接更加自然圆滑。（3）利用融合Sobel算子和Snake模型的方法来进行边缘检测，该方法不但能抑制虚假边缘，而且可实现断裂边缘的修补，从而提高信边缘检测精度。由于单纯采用Sobel-Snake算子仅能起到平滑和抑制噪声的作用，并不能实现指纹图像和背景的分离，故此本文采用二维最大熵的方法，根据给定阈值向量实现了低质量指纹的分割。实验表明：基于Sobel-Snake算子和二维最大熵分割方法不但使用起来比较灵活、简单，而且分割后的纹线比较完整和清晰，同时也解决了指纹分割中常见的虚假边缘和断裂问题，具有一定的参考价值。（4）针对指纹细化，采用了改进的OPTA算法，在不改变指纹脊线形状、走向等基本指标的前提下，寻找出指纹的细节特征。并在此基础上进行指纹特征点的提取和假特征点的剔除。
二、基于Gabor滤波的指纹增强方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Gabor滤波的指纹增强方法研究（论文提纲范文）
（1）Gabor滤波的指纹图像增强的应用研究（论文提纲范文）
| 0 引 言 |
| 1 指纹图像增强技术的基础 |
| 1.1 指纹识别系统 |
| 1.2 指纹图像增强的经典算法 |
| 1.2.1 空间域算法 |
| 1.2.2 频率域算法 |
| 2 基于Gabor滤波的指纹图像增强算法 |
| 2.1 Gabor变换 |
| 2.1.1 连续Gabor变换 |
| 2.1.2 离散Gabor变换 |
| ① 选取核函数 |
| ② 一般离散Gabor变换数学表达式为： |
| 2.2 基于Gabor滤波的指纹图像增强算法 |
| 2.2.1 图像归一化处理 |
| 2.2.2 指纹方向场的估算 |
| 2.2.3 纹线频率场的估算 |
| 2.2.4 偶对称的Gabor滤波器 |
| 3 实验与分析 |
| 3.1 实验内容与方法 |
| 3.2 实验结果 |
| 4 结 语 |
（2）低质量小面积指纹识别（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 指纹图像增强算法 |
| 1.2.2 指纹特征提取 |
| 1.2.3 基于神经网络的指纹识别方法 |
| 1.2.4 小面积指纹识别 |
| 1.3 本文主要贡献和章节安排 |
| 2 小面积指纹识别算法框架与性能评估方法 |
| 2.1 小面积指纹识别算法框架 |
| 2.2 指纹识别性能评价指标 |
| 2.2.1 真匹配和假匹配 |
| 2.2.2 误识率(FAR)和拒识率(FRR) |
| 2.2.3 FMR-FNMR曲线和等错率(EER) |
| 2.3 小面积指纹数据集 |
| 2.3.1 FVC系列数据集 |
| 2.3.2 自采手机屏下光学指纹数据集 |
| 2.3.3 AES3400 数据集 |
| 2.3.4 训练仿真数据集生成 |
| 3 低质量指纹增强算法 |
| 3.1 卡通纹理分解 |
| 3.2 指纹方向场预测 |
| 3.3 指纹图像频率估计 |
| 3.4 Gabor滤波 |
| 3.5 不同场景的指纹图像增强示例 |
| 4 小面积指纹对准算法 |
| 4.1 空间变换网络(Spatial Transformer Network) |
| 4.2 对准网络Align Net |
| 4.2.1 Align Net网络结构 |
| 4.2.2 损失函数 |
| 4.3 仿射变换 |
| 4.3.1 采样点生成器 |
| 4.3.2 采样器 |
| 4.4 训练细节 |
| 4.5 对准网络Align Net性能评估 |
| 4.5.1 仿射变换参数预测性能 |
| 4.5.2 不同对准策略的指纹匹配性能 |
| 5 小面积指纹匹配算法 |
| 5.1 匹配网络CompareNet |
| 5.1.1 多尺寸图像块生成 |
| 5.1.2 特征提取网络FeatureNet |
| 5.1.3 特征融合 |
| 5.2 损失函数 |
| 5.3 网络训练细节 |
| 5.4 指纹匹配性能评估 |
| 5.4.1 FVC2006 DB1 测试结果 |
| 5.4.2 AES3400 测试结果 |
| 5.5 手机屏下指纹多模板融合匹配实验 |
| 5.5.1 数据划分和训练细节 |
| 5.5.2 测试细节 |
| 5.5.3 测试结果 |
| 5.6 模型可视化 |
| 6 总结和展望 |
| 参考文献 |
| 作者在学期间所取得的科研成果 |
（3）指纹识别系统的研究和实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文内容与组织结构 |
| 第二章 指纹识别理论 |
| 2.1 指纹处理流程 |
| 2.1.1 指纹采集 |
| 2.1.2 指纹预处理 |
| 2.1.3 指纹特征提取 |
| 2.1.4 指纹特征点匹配 |
| 2.1.5 指纹系统评价指标 |
| 2.2 指纹识别特征 |
| 2.2.1 局部特征 |
| 2.2.2 全局特征 |
| 2.3 MFC简介 |
| 2.4 本章小结 |
| 第三章 指纹预处理技术 |
| 3.1 预处理的目的 |
| 3.2 指纹图像分割 |
| 3.2.1 基于灰度分割方法 |
| 3.2.2 基于方向分割方法 |
| 3.2.3 基于梯度分割方法 |
| 3.3 指纹图像增强 |
| 3.3.1 指纹图像均衡化 |
| 3.3.2 基于方向图的Gabor滤波 |
| 3.4 指纹图像二值化 |
| 3.4.1 全局阈值法 |
| 3.4.2 局部阈值法 |
| 3.5 指纹图像细化 |
| 3.5.1 快速细化方法 |
| 3.5.2 OPTA细化方法 |
| 3.6 本章小结 |
| 第四章 指纹特征提取和匹配 |
| 4.1 指纹特征提取算法 |
| 4.1.1 特征点方向说明 |
| 4.1.2 搜索特征端点和叉点 |
| 4.1.3 伪特征点删除 |
| 4.2 指纹特征匹配 |
| 4.2.1 指纹匹配算法综述 |
| 4.2.2 点模式匹配算法 |
| 4.3 本章小结 |
| 第五章 系统模块设计与实现 |
| 5.1 可视化工具设计 |
| 5.1.1 MFC框架 |
| 5.1.2 功能设计 |
| 5.1.3 主界面设计 |
| 5.2 具体细节设计 |
| 5.2.1 图像读入显示操作 |
| 5.2.2 图像预处理 |
| 5.2.3 图像特征提取及匹配 |
| 5.3 可视化工具测试 |
| 5.3.1 软件测试 |
| 5.3.2 系统界面测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 问题与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（4）基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究课题的背景及意义 |
| 1.2 低质量指纹识别存在的难点和国内外研究动态 |
| 1.2.1 指纹图像采集 |
| 1.2.2 指纹图像预处理 |
| 1.2.3 特征提取 |
| 1.2.4 指纹识别 |
| 1.3 论文的主要工作和章节安排 |
| 第2章 图像增强方法 |
| 2.1 基于二维Otsu准则的自适应分数阶微分增强算法简介 |
| 2.1.1 分数阶微分的定义 |
| 2.1.2 分数阶微分对信号和图像的作用 |
| 2.1.3 分数阶微分掩膜的实现 |
| 2.1.4 自适应分数阶微分函数的推导 |
| 2.2 基于STFT滤波增强算法简介 |
| 2.3 本章小结 |
| 第3章 自适应分数阶微分耦合STFT的低质量指纹增强 |
| 3.1 基于二维Otsu准则的自适应分数阶微分的低质量指纹增强 |
| 3.2 基于STFT的低质量指纹增强 |
| 3.3 改进的耦合增强方法 |
| 3.3.1 实验验证 |
| 3.3.2 增强结果及分析 |
| 3.4 指纹图像的二值化和细化 |
| 3.4.1 局部自适应阈值二值化 |
| 3.4.2 基于改进的OPTA细化算法 |
| 3.5 本章小结 |
| 第4章 低质量指纹的特征提取 |
| 4.1 当前特征提取的方法 |
| 4.1.1 指纹特征 |
| 4.1.2 多种类型的指纹图像特征提取 |
| 4.2 Finger Code特征提取 |
| 4.3 邻域分析法特征提取 |
| 4.4 模板匹配法特征提取 |
| 4.5 细节点特征去伪处理 |
| 4.5.1 伪特征剔除 |
| 4.6 本章小结 |
| 第5章 基于深度学习的低质量指纹识别 |
| 5.1 卷积神经网络(CNN)算法简介 |
| 5.1.1 深度学习的概念 |
| 5.1.2 深度学习的常用方法 |
| 5.1.3 卷积神经网络结构 |
| 5.1.4 卷积神经网络的训练过程 |
| 5.2 指纹特征点模糊化处理 |
| 5.3 基于卷积神经网络的低质量指纹识别 |
| 5.3.1 基于LeNet的低质量指纹识别 |
| 5.3.2 基于Res Net的低质量指纹识别 |
| 5.4 实验结果及分析 |
| 5.5 本章总结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）前臂静脉特征的提取与匹配方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 生物特征识别技术介绍 |
| 1.3 静脉识别技术 |
| 1.3.1 静脉识别技术概述 |
| 1.3.2 静脉识别技术的发展及国内外研究现状 |
| 1.4 本文主要内容 |
| 第二章 可见光前臂静脉图像预处理 |
| 2.1 静脉显像 |
| 2.2 显像图像去噪 |
| 2.2.1 图像降采样 |
| 2.2.2 引导滤波理论基础 |
| 2.2.3 基于引导滤波的显像图像去噪 |
| 2.3 显像图像增强 |
| 2.4 本章小结 |
| 第三章 静脉线提取 |
| 3.1 静脉显像图像特点分析 |
| 3.2 基于Gabor滤波和线跟踪的静脉线提取算法 |
| 3.2.1 Gabor滤波算法 |
| 3.2.2 线跟踪过程 |
| 3.2.3 种子点的获取 |
| 3.2.4 初始跟踪方向的确定 |
| 3.2.5 跟踪步长的设置 |
| 3.2.6 静脉中心点的选择 |
| 3.3 阴影处静脉线的剔除 |
| 3.3.1 阴影区域抑制 |
| 3.3.2 静脉曲线段分割 |
| 3.3.3 错误静脉线剔除 |
| 3.4 静脉线修复 |
| 3.5 本章小结 |
| 第四章 前臂静脉的特征提取和匹配 |
| 4.1 静脉图像特征提取方法概述 |
| 4.2 基于静脉线的特征提取 |
| 4.2.1 基于静脉线的细节点提取 |
| 4.2.2 细节点的Gabor能量特征提取 |
| 4.2.3 细节点的曲率特征提取 |
| 4.3 静脉特征匹配 |
| 4.3.1 空间变换模型分析 |
| 4.3.2 CPD算法原理 |
| 4.3.3 基于CPD算法的细节点配准 |
| 4.3.4 细节点特征匹配 |
| 4.4 本章小结 |
| 第五章 实验研究与分析 |
| 5.1 静脉线提取结果及对比分析 |
| 5.1.1 主观评价 |
| 5.1.2 客观评价 |
| 5.2 匹配实验及对比分析 |
| 5.2.1 匹配识别评价标准 |
| 5.2.2 匹配实验及对比分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）多模态生物特征编码融合识别方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 生物特征识别技术研究现状 |
| 1.2.1 指纹识别技术 |
| 1.2.2 指静脉识别技术 |
| 1.2.3 指节纹识别技术 |
| 1.2.4 多模态生物特征融合识别技术 |
| 1.3 生物特征编码的研究现状 |
| 1.4 本文主要研究内容 |
| 第二章 手指多模态特征图像采集和分析 |
| 2.1 引言 |
| 2.2 模式源的选取 |
| 2.3 手指多模态的问题分析及解决思路 |
| 2.3.1 手指多模态问题分析 |
| 2.3.2 解决思路 |
| 2.4 手指特征识别系统的性能评价 |
| 2.5 小结 |
| 第三章 基于局部编码的特征描述方法 |
| 3.1 引言 |
| 3.2 局部编码算子的构建 |
| 3.2.1 SLGS算子 |
| 3.2.2 SCW-LGS算子 |
| 3.3 基于局部编码的指静脉识别 |
| 3.3.1 指静脉图像增强 |
| 3.3.2 特征编码方案 |
| 3.4 实验结果与分析 |
| 3.4.1 编码邻域对识别性能的影响 |
| 3.4.2 姿态稳定性分析 |
| 3.4.3 识别性能分析 |
| 3.5 小结 |
| 第四章 基于局部编码的多模态特征识别 |
| 4.1 引言 |
| 4.2 改进的局部编码方案 |
| 4.3 基于改进的局部编码的多模态融合识别 |
| 4.4 实验结果与分析 |
| 4.4.1 编码方向数对识别性能的影响 |
| 4.4.2 参数确定 |
| 4.4.3 单模态与多模态识别对比分析 |
| 4.4.4 识别性能分析 |
| 4.5 小结 |
| 第五章 基于局部编码与CNN模型的多模态特征识别 |
| 5.1 引言 |
| 5.2 局部编码模块与CNN模型 |
| 5.2.1 传统编码算子 |
| 5.2.2 编码算子的重构 |
| 5.2.3 改进后的卷积神经网络 |
| 5.3 LC-CNN模型的构建 |
| 5.4 基于LC-CNN模型的指静脉识别 |
| 5.4.1 模型稳定性分析 |
| 5.4.2 识别性能分析 |
| 5.5 基于LC-CNN模型的多模态融合识别 |
| 5.5.1 性能评价指标 |
| 5.5.2 融合策略 |
| 5.5.3 识别性能分析 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表论文 |
（7）干性指纹图像增强与特征提取技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 指纹识别的研究背景 |
| 1.1.2 指纹识别的发展与应用 |
| 1.1.3 干指纹图像识别技术遇到的挑战 |
| 1.2 指纹识别关键技术的国内外研究现状 |
| 1.2.1 指纹采集技术的研究现状 |
| 1.2.2 指纹图像分割算法的研究现状 |
| 1.2.3 指纹图像增强算法的研究现状 |
| 1.2.4 指纹图像特征提取的研究现状 |
| 1.3 本文主要研究内容及安排 |
| 1.3.1 课题来源 |
| 1.3.2 本文主要研究内容 |
| 1.3.3 本文章节安排 |
| 第二章 指纹图像干湿度评价及其优化采集 |
| 2.1 指纹图像的干湿度评价方法 |
| 2.1.1 基于灰度均值及方差的指纹图像干湿判断的算法实现 |
| 2.1.2 干湿指纹图像的判断实验及其分析 |
| 2.2 自动调节设备光照亮度实现优化采集指纹图像 |
| 2.2.1 自动调节光照亮度优化采集指纹图像 |
| 2.2.2 实验结果及分析 |
| 2.3 本章小结 |
| 第三章 基于改进的Canny算子与形态学结合的分割算法 |
| 3.1 基于图像块均值及方差的自适应阈值分割算法 |
| 3.2 改进的Canny算子与形态学结合的分割算法 |
| 3.2.1 改进的Canny边缘检测 |
| 3.2.2 形态学的修正技术 |
| 3.2.3 改进的Canny算法与数学形态学结合的分割技术 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 改进的基于Gabor滤波干指纹图像增强算法 |
| 4.1 方向滤波增强算法及Gabor滤波增强算法 |
| 4.1.1 方向滤波增强算法 |
| 4.1.2 Gabor滤波增强算法 |
| 4.2 改进的Gabor滤波增强算法 |
| 4.2.1 图像归一化 |
| 4.2.2 自适应大小图像块方向场的计算 |
| 4.2.3 纹线频率的计算 |
| 4.2.4 滤波增强 |
| 4.2.5 实验结果与分析 |
| 4.3 自适应的二值化及去噪算法 |
| 4.3.1 自适应二值化算法 |
| 4.3.2 二值化指纹图像的去噪 |
| 4.4 基于改进的OPTA指纹图像细化算法 |
| 4.4.1 改进的OPTA指纹图像细化算法 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 指纹的特征提取及伪特征点删除算法 |
| 5.1 指纹特征点 |
| 5.2 细化后的特征提取算法 |
| 5.2.1 细化后特征提取算法的实现 |
| 5.2.2 实验结果 |
| 5.3 伪特征的删除算法 |
| 5.3.1 伪特征的剔除算法的实现 |
| 5.3.2 评估增强算法及特征提取算法的指标 |
| 5.3.3 实验结果及分析 |
| 5.4 干指纹图像匹配及识别 |
| 5.4.1 指纹匹配算法及识别的评判标准 |
| 5.4.2 干指纹图像的识别结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（8）指纹图像方向场提取及增强算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 存在的问题及本文研究的重点 |
| 1.5 本文的主要研究内容和组织结构 |
| 2 结合加权线性投影分析和方向扩散的指纹方向场重建 |
| 2.1 引言 |
| 2.2 基于加权线性投影分析的指纹块方向估计 |
| 2.3 基于方向扩散的指纹方向场重建 |
| 2.4 实验结果与分析 |
| 2.5 小结 |
| 3 根植于频谱扩散的基于具有方向选择性的2D自适应Chebyshev带通滤波器的指纹增强 |
| 3.1 引言 |
| 3.2 指纹图像预增强 |
| 3.3 指纹图像块增强 |
| 3.4 指纹图像增强 |
| 3.5 实验结果与分析 |
| 3.6 小结 |
| 4 结合方向高斯带通滤波和深度玻尔兹曼机重构的指纹增强 |
| 4.1 引言 |
| 4.2 受限玻尔兹曼机 |
| 4.3 指纹方向高斯带通滤波增强 |
| 4.4 基于深度玻尔兹曼机的指纹图像重构 |
| 4.5 实验结果与分析 |
| 4.6 小结 |
| 5 结合Gabor滤波和分类字典学习的指纹增强 |
| 5.1 引言 |
| 5.2 分类字典构建 |
| 5.3 基于分类字典学习的指纹图像块增强 |
| 5.4 结合Gabor滤波和分类字典学习的指纹增强 |
| 5.5 实验结果与分析 |
| 5.6 小结 |
| 6 基于分类耦合字典的指纹图像超分辨率稀疏表示 |
| 6.1 引言 |
| 6.2 基于稀疏表示的单幅图像超分辨率重构 |
| 6.3 分类耦合字典构建 |
| 6.4 指纹图像超分辨率重构 |
| 6.5 实验结果与分析 |
| 6.6 小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）Gabor滤波指纹增强算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 研究意义及待解决问题 |
| 1.4 论文目的及创新点 |
| 1.5 论文章节安排 |
| 第二章 指纹增强算法概述 |
| 2.1 脊线、谷线和奇异点 |
| 2.2 特征点、端点和分叉点 |
| 2.3 GABOR滤波增强算法 |
| 第三章 改进的GABOR增强算法 |
| 3.1 指纹图像规定化 |
| 3.2 基于遗传算法的指纹分割 |
| 3.2.1 指纹背景分割简介 |
| 3.2.2 线性分类器设计 |
| 3.2.3 遗传算法寻优 |
| 3.2.4 指纹分割结果 |
| 3.3 基于分块的方向图计算 |
| 3.4 改进的方向图计算 |
| 3.4.1 传统的邻域方向模板法 |
| 3.4.2 邻域方向模板的优势和不足 |
| 3.4.3 改进的邻域方向模板 |
| 3.5 改进的方向可靠性计算 |
| 3.6 块方向图平滑 |
| 3.7 纹线频率计算 |
| 3.8 离散化的快速GABOR滤波增强算法 |
| 3.8.1 算法流程 |
| 3.8.2 离散化Gabor滤波器 |
| 3.8.3 滤波 |
| 3.9 小结 |
| 第四章 指纹增强后处理算法 |
| 4.1 后处理算法简介 |
| 4.2 二值化 |
| 4.3 细化 |
| 4.4 特征点提取 |
| 4.5 基于路径跟踪与修复的特征点去伪算法 |
| 4.5.1 传统的特征点去伪算法 |
| 4.5.2 新的特征点类型 |
| 4.5.3 改进的特征点去伪算法 |
| 4.5.4 实验结果 |
| 第五章 算法调试与结果分析 |
| 5.1 基于MATLAB GUI的算法调试 |
| 5.1.1 功能需求 |
| 5.1.2 界面设计 |
| 5.2 实验结果与分析 |
| 5.2.1 实验环境 |
| 5.2.2 实验内容 |
| 5.2.3 实验方法 |
| 5.2.4 实验结果 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（10）基于Gabor滤波和二维最大熵的低质量指纹预处理技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 指纹识别技术概述 |
| 1.1.1 指纹识别是科技进步的产物 |
| 1.1.2 指纹的概念、性质及其特征的分类 |
| 1.1.3 指纹识别技术的优势 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题研究背景及来源 |
| 1.3.1 课题的背景 |
| 1.3.2 低质量指纹预处理上的差异 |
| 1.3.3 低质量指纹研究还存在的问题 |
| 1.3.4 课题的来源 |
| 1.4 论文的主要研究思路 |
| 1.5 论文章节安排及框架结构 |
| 第二章 基于短时傅里叶变换（STFT）和 Gabor 滤波相结合的指纹增强方法 |
| 2.1 引言 |
| 2.2 指纹图像的增强技术 |
| 2.2.1 时域指纹增强技术 |
| 2.2.2 频域指纹增强技术 |
| 2.3 基于 STFT 和二维 Gabor 滤波相结合的指纹增强技术 |
| 2.3.1 短时傅里叶变换（STFT） |
| 2.3.2 Gabor 滤波原理 |
| 2.3.3 基于 STFT 和二维 Gabor 的指纹增强算法 |
| 2.4 实验结果与分析 |
| 2.5 指纹增强后的二值化处理 |
| 2.6 本章小结 |
| 第三章 基于 Sobel-Snake 算子和二维最大熵的指纹图像分割方法 |
| 3.1 引言 |
| 3.2 低质量指纹分割过程描述 |
| 3.2.1 基于边缘检测的指纹分割技术 |
| 3.3 基于 Sobel-Snake 算子的边缘提取技术 |
| 3.3.1 Snake 算子 |
| 3.3.2 融合算法思想 |
| 3.3.3 最大熵分割原理 |
| 3.4 基于 Sobel-Snake 算子和二维最大熵的指纹图像分割方法 |
| 3.4.1 指纹图像分割原理 |
| 3.4.2 基于 Sobel-Snake 算子和二维最大熵分割方法 |
| 3.5 实验分析 |
| 3.5.1 PSNR 和 NC 评价指标 |
| 3.5.2 实验结果 |
| 3.6 小结 |
| 第四章 低质量指纹细化及虚假特征剔除 |
| 4.1 引言 |
| 4.2 低质量指纹细化 |
| 4.2.1 指纹细化和细化的主要指标 |
| 4.2.2 细化的实现 |
| 4.3 指纹特征选择技术 |
| 4.3.1 指纹特征的分类 |
| 4.3.2 指纹细节特征选择技术 |
| 4.4 低质量指纹特征提取与虚假特征剔除 |
| 4.4.1 低质量指纹特征 |
| 4.4.2 特征点的提取 |
| 4.4.4 假特征点的剔除 |
| 4.5 小结 |
| 第五章 结论与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于Gabor滤波的指纹增强方法研究（论文参考文献）
- [1]Gabor滤波的指纹图像增强的应用研究[J]. 雷求胜. 单片机与嵌入式系统应用, 2021(10)
- [2]低质量小面积指纹识别[D]. 何致远. 浙江大学, 2021(01)
- [3]指纹识别系统的研究和实现[D]. 任毅. 南京邮电大学, 2019(03)
- [4]基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究[D]. 徐国庆. 太原理工大学, 2020(07)
- [5]前臂静脉特征的提取与匹配方法研究[D]. 陈晓腾. 南京航空航天大学, 2020(07)
- [6]多模态生物特征编码融合识别方法[D]. 李树一. 中国民航大学, 2019
- [7]干性指纹图像增强与特征提取技术的研究[D]. 刘珍珍. 长春理工大学, 2018(01)
- [8]指纹图像方向场提取及增强算法研究[D]. 卞维新. 中国矿业大学, 2018(12)
- [9]Gabor滤波指纹增强算法研究[D]. 陈俊鸿. 广西大学, 2016(06)
- [10]基于Gabor滤波和二维最大熵的低质量指纹预处理技术[D]. 张升斌. 国防科学技术大学, 2013(01)