手部靜脈識(shí)別關(guān)鍵技術(shù)研究.pdf

1、靜脈特征同指紋一樣是每個(gè)人所特有且獨(dú)有的，兩個(gè)人手部靜脈的可能重復(fù)率更是低于指紋特征，因此將手部靜脈圖像用作人員身份信息識(shí)別是一門(mén)新興的生物特征識(shí)別技術(shù)。它不僅具有活體檢測(cè)這一獨(dú)有的特性，更在抗干擾和防偽性方面遠(yuǎn)遠(yuǎn)優(yōu)于靜脈、人臉和指紋等生物特征。本文主要是圍繞靜脈圖像采集、靜脈圖像增強(qiáng)、靜脈特征表示和靜脈圖像識(shí)別等幾個(gè)方面進(jìn)行了研究學(xué)習(xí)。
　　（1）為解決目前國(guó)內(nèi)外均無(wú)可供使用的開(kāi)源靜脈圖像數(shù)據(jù)庫(kù)的困擾，本文采用環(huán)形補(bǔ)光燈板結(jié)構(gòu)自

2、行設(shè)計(jì)制作了一整套完整的硬件采集裝置，通過(guò)引入靜脈質(zhì)量評(píng)價(jià)函數(shù)構(gòu)建雙層質(zhì)量評(píng)價(jià)體系，實(shí)現(xiàn)了近紅外光源的閉環(huán)控制，從硬件層面上獲得了相對(duì)高對(duì)比度的靜脈圖像，并構(gòu)建了一套自主知識(shí)產(chǎn)權(quán)的高質(zhì)量手部（含手指、手背、手掌）靜脈圖像數(shù)據(jù)庫(kù)。
　　（2）為解決低質(zhì)量靜脈圖像成功提取特征用于后續(xù)識(shí)別的問(wèn)題，本文分別研究實(shí)現(xiàn)了基于 Multi-Scale Top-hat Transfomation（MSTHT）、Local-Gray Level I

3、nformation Transfomation（LGLIT）、Super-Resolution Reconstruction Theory（SRRT）等理論的靜脈圖像增強(qiáng)方法，并通過(guò)設(shè)計(jì)增強(qiáng)后質(zhì)量評(píng)價(jià)體系和識(shí)別率比對(duì)等方面證明了所提出的增強(qiáng)方法的有效性。
　?。?）為了最大程度的減小非靜脈信息對(duì)識(shí)別帶來(lái)的影響，自行設(shè)計(jì)了一種基于有效區(qū)域位置分布的ROI提取方法，采取圖像歸一化、靜脈分割、濾波去噪等一系列數(shù)字圖像處理手段，用基于谷

4、型的靜脈分割算法改進(jìn)了傳統(tǒng)分割方法，在靜脈圖像特征取環(huán)節(jié)取得了較好的效果。并在此基礎(chǔ)上，通過(guò)對(duì)基于數(shù)據(jù)降維和特征映射理論的PCA、2DPCA進(jìn)行了研究，提出了（2D）2FPCA的特征映射方法，在自行構(gòu)建的靜脈數(shù)據(jù)庫(kù)中進(jìn)行了試驗(yàn)，實(shí)驗(yàn)測(cè)試識(shí)別率分別達(dá)到了98％。
　?。?）為解決圖像采集中可能引入的旋轉(zhuǎn)變化、尺寸變化、光照變化等問(wèn)題對(duì)后續(xù)特征識(shí)別效果的影響，本文將矩理論引入靜脈識(shí)別研究，提出采用具有旋轉(zhuǎn)不變特性的圖像特征表示方法，并

5、分別將7個(gè)Hu不變矩、Zernike矩、PCT矩、PST矩和PCET矩應(yīng)用于靜脈圖像特征表示中，首先通過(guò)提取靜脈圖像的Zernike矩證明不變矩的有效性，隨后設(shè)計(jì)實(shí)驗(yàn)比較了這5種矩在靜脈識(shí)別特征表示中的優(yōu)劣之后，將Hu矩和PCET矩應(yīng)用于手背靜脈特征表示中，進(jìn)行分類(lèi)識(shí)別，匹配效率大為提升，識(shí)別率明顯增高。其中引入PCET矩后的識(shí)別速度增快至0.04s，識(shí)別率提升至98.3%。
　?。?）為解決傳統(tǒng)靜脈識(shí)別方法中需要先驗(yàn)知識(shí)進(jìn)行人工

6、參數(shù)調(diào)整、分類(lèi)器設(shè)計(jì)中必須進(jìn)行特殊選擇才能達(dá)到較好的識(shí)別效果等問(wèn)題，本文嘗試引入了一種通過(guò)對(duì)輸入數(shù)據(jù)的低層次特征進(jìn)行深入分析組合進(jìn)而得到數(shù)據(jù)的高層次的本質(zhì)特征，進(jìn)而得到整個(gè)數(shù)據(jù)的分布式的特征表示的深度網(wǎng)絡(luò)結(jié)構(gòu)用于靜脈數(shù)據(jù)特征的學(xué)習(xí)與表示，并取得了較好的效果。首先設(shè)計(jì)了基于K-MEANS聚類(lèi)和SIFT特征的方法（KMS）證明了引入深度網(wǎng)絡(luò)的必要性，之后結(jié)合徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，在