手背静脉识别的图像处理算法
手背静脉图像容量研究与分析

手背静脉图像容量研究与分析近年来,随着生物识别技术的发展,手背静脉图像作为一种独特的生物特征,被广泛应用于身份识别、医疗诊断等领域。
手背静脉图像的容量研究与分析是对手背静脉图像的特征进行定量化研究,旨在提高手背静脉图像的识别精度和可靠性。
手背静脉图像的容量研究主要包括两个方面:一是手背静脉图像的采集与处理,二是手背静脉图像的特征提取与分析。
在手背静脉图像的采集与处理方面,研究者通常使用红外成像技术来获取手背静脉图像。
红外光可以穿透皮肤,直接照射到静脉血管上,通过光散射的原理,可以获取到清晰的手背静脉图像。
在采集过程中,应注意保持手部的稳定,避免图像失真。
采集到的图像需要进行预处理,如去除噪声、增强图像对比度等,以提高后续特征提取的准确性。
手背静脉图像的特征提取与分析是对图像中静脉血管的形态和结构进行定量化研究。
常用的特征提取方法有灰度共生矩阵、Gabor滤波器、小波变换等。
这些方法可以提取出静脉血管的纹理、形态和密度等特征。
通过对提取的特征进行统计分析,可以得到手背静脉图像的容量信息,如面积、长度、密度等。
手背静脉图像的容量研究与分析对于提高生物识别的准确性和可靠性具有重要意义。
手背静脉图像的容量信息可以帮助判断不同个体之间静脉血管的差异,从而提高身份识别的准确性。
此外,手背静脉图像的容量信息还可以用于医疗诊断中,通过对静脉血管的密度和形态进行分析,可以帮助医生判断血管疾病的发生和发展程度。
总之,手背静脉图像容量研究与分析是利用红外成像技术对手背静脉图像进行特征提取与统计分析的过程。
这一研究可以提高手背静脉图像的识别精度和可靠性,有助于生物识别和医疗诊断的发展。
改进的手背静脉识别算法

改进 的手背 静脉识别算 法
刘相 滨 , 智 成 , 刘 龚 平, 周 鹏
LI U Xing b n, U Zh -c ng, a - i LI i he GONG P ng, i ZHOU Pe ng
而林喜荣等 则先进行静脉纹路分割再进行去噪 。与现场提取
E— i: b i f n @h n u e u c mal x l r k u n .d .n u a
LI U Xi n a g-b n, U Z i c e g, i LI h - h n GONG P n e a .mp o e a g rt m o h n v i p te n e o n t n Co i g, t 1I r v d l o i h f a d en a t r r c g ii . mp t r o u e
1 引言
静脉 识别是根据静脉 血液 中脱氧血色素 吸收近红 外线或
人体辐射远红外线的特性 , 用相应波长范围的红外相机摄取手
行 归一 化 ,有 的 算 法 则没 有 特 征提 取 这 一 步 ,又 如 Wag n
Lny igu等_ 线段 豪斯多夫距离 法来匹配细化 后的静脉骨 架 , 1 _ 用
湖南师范大学 图像识别与计算机视觉研究所 , 长沙 4 0 8 101
I siin, n n N r l Unv r i Ch n s a 41 0 1 C i a n t u e o ma e Re o n t n t i o u e so Hu a o ma i e s y, a g h 0 8 , h n t
手指静脉图像质量评估与特征识别算法

04
详细描述
模型融合技术可以增强模型的鲁棒性和稳定 性。当某个模型出现错误时,其他模型可以 对其进行纠正,从而使得整个模型的性能更 加稳定可靠。
基于迁移学习的优化
总结词
提高学习效率
详细描述
迁移学习是一种将已经学习到的知识应用 到新的任务中的技术。通过迁移学习,可 以利用已经学习到的模型参数来加速新任 务的学习过程,提高学习效率。
对比度
对比度是静脉图像质量的另一个重要标准。良好的对比度 可以使静脉线条更加清晰,有助于提高识别性能。
变形程度
手指静脉图像的变形程度也会影响识别性能。过度变形可 能会干扰静脉线条的完整性,导致识别失败。
基于图像质量的静脉识别算法
基于分辨率的识别算法
基于对比度的识别算法
基于噪声水平的识别算法
基于变形程度的识别算法
然而,这些方法往往忽略了手指静脉 图像中重要的特征信息,导致评估结 果不够准确。
然而,这些方法往往难以应对复杂的 实际应用场景,如光照不均、遮挡等 问题。
研究内容与方法
研究内容:本文旨在研究一种基于深度学习的手指静脉图像质量评估方法和特征识 别算法。
方法:首先,利用深度学习技术对手指静脉图像进行特征提取;然后,基于提取的 特征进行图像质量评估和特征识别。
实验结果
对比分析不同算法在相同数据集上的 识别准确率、运行时间、鲁棒性等方 面的表现。
结果分析
根据实验结果,评价各种算法的优劣 ,指出其在实际应用中的适用场景和 限制。
04
算法优化与改进
基于数据增强技术的优化
总结词
提高泛化能力
总结词
改进模型性能
详细描述
数据增强是一种通过在原始数据集中添加随机扰 动来创建新数据的技术。它可以帮助解决数据集 不平衡和数据量不足的问题,从而提高模型的泛 化能力。
人体手背静脉血管图像增强与特征匹配

人体手背静脉血管图像增强与特征匹配
吕佩卓;赖声礼
【期刊名称】《计算机工程与设计》
【年(卷),期】2007(028)015
【摘要】为提高手背静脉血管图像识别的准确性和改善图像采集的灵活性,提出了一种新的手背静脉图像识别算法.使用自适应直方图均衡法增强背景和静脉纹理图像的总体对比度和局部细节,使用分水岭算法得到静脉纹理图像的单像素级图像,最后采用纹理相似性原理进行特征匹配和识别.试验结果证明,该算法在图像采集位置灵活变动情况下的错误接受率为0%,错误拒绝率4.6%,利用此算法进行手背静脉血管图像识别是可行的,具有良好的应用前景.
【总页数】4页(P3623-3625,3635)
【作者】吕佩卓;赖声礼
【作者单位】华南理工大学,电子与信息学院,广东,广州,510640;华南理工大学,电子与信息学院,广东,广州,510640
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于CLAHE和top-hat变换的手背静脉图像增强算法 [J], 赵建军;熊馨;张磊;付腾;赵()骧
2.基于高频加强滤波和HE的手背静脉图像增强 [J], 田宏亮;赵建军
3.手背静脉图像增强和分割方法 [J], 胡学友
4.基于脊波变换的手背静脉图像增强及特征提取 [J], 韩笑;马驷良;张忠波
5.人体手背静脉血管图像增强处理算法研究 [J], 张会林;简献忠
因版权原因,仅展示原文概要,查看原文内容请购买。
手背静脉识别技术关键算法研究与实现的开题报告

手背静脉识别技术关键算法研究与实现的开题报告1. 研究背景现阶段的生物识别技术,如人脸识别、指纹识别等,虽然应用较为广泛,但其存在着很多安全问题。
手背静脉识别技术由于其高度安全性和不易被仿冒,近年来逐渐得到关注。
手背静脉识别技术是利用手背静脉在透射光线下产生的图像特征进行身份识别的一种新型生物识别技术。
手背静脉具有较高的个体差异性、不受年龄和生理变化影响、不易受环境干扰等优点,因此成为了当前研究的热点。
2. 研究目的本次研究旨在通过对手背静脉识别技术的关键算法进行深入研究,探究其原理和实现方法,并将其运用到实际场景中,为生物识别技术的发展做出贡献。
3. 研究内容(1) 手背静脉图像获取利用图像采集设备如相机、红外线摄像机等对手背静脉图像进行获取,包括静脉结构和纹路信息。
(2) 特征提取从采集到的手背静脉图像中提取静脉和纹路等特征信息,进行信息编码和融合,生成可供比对的模板。
(3) 识别算法基于数据挖掘和模式识别算法,对生成的模板进行比对和匹配,实现身份识别。
(4) 实现方法结合实际应用场景,设计并实现基于手背静脉识别技术的身份认证系统,对识别算法进行优化和改进,提高系统的安全性和可靠性。
4. 研究意义(1) 提高生物识别技术的安全性。
相较于传统的生物识别技术,手背静脉识别技术更难以被伪造和仿冒,以此提高身份识别的安全性。
(2) 推广和应用。
随着技术的不断发展和推广,手背静脉识别技术将被广泛应用于金融、医疗、公共安全等领域。
(3) 为相关领域的研究提供参考。
本次研究对手背静脉识别技术的算法研究和实现提供了一定的参考价值,对相关领域的研究具有重要意义。
5. 研究方法本研究主要采用实验室实验与文献调研相结合的方法,通过对手背静脉识别技术的理论分析和实验验证,探究其实现原理和关键算法。
同时,结合实际应用场景,设计并实现基于手背静脉识别技术的身份认证系统,对识别算法进行优化和改进,提高系统的安全性和可靠性。
掌静脉识别研究综述

第22卷㊀第1期2020年1月大连民族大学学报JournalofDalianMinzuUniversityVol.22ꎬNo.1January2020收稿日期:2019-11-22ꎻ最后修回日期:2019-12-27作者简介:张秀峰(1975-)ꎬ男ꎬ黑龙江绥化人ꎬ副教授ꎬ博士ꎬ主要从事光电检测技术及仪器研究ꎮ文章编号:2096-1383(2020)01-0033-05掌静脉识别研究综述张秀峰ꎬ牛选兵ꎬ王㊀伟ꎬ马天翼ꎬ龚丽娜ꎬ杨荣景(大连民族大学机电工程学院ꎬ辽宁大连116605)摘㊀要:指纹和掌纹存在于皮肤表面ꎬ有容易被伪造㊁缺乏安全性等一些不可避免的缺点ꎮ掌静脉识别技术应运而生ꎬ它在身份识别㊁安检㊁门禁和医学研究等方面有非常好的发展前景ꎮ对掌静脉识别技术的国内外研究现状进行分析ꎬ梳理掌静脉识别的相关算法ꎬ得到目前掌静脉识别存在的难点ꎬ为今后掌静脉识别技术的发展与应用提供参考ꎮ关键词:掌静脉识别ꎻ特征提取ꎻ深度学习中图分类号:TP391.41㊀㊀㊀文献标志码:AAReviewofPalmarVeinRecognitionZHANGXiu-fengꎬNIUXuan-bingꎬWANGWeiꎬMATian-yiꎬGONGLi-naꎬYANGRong-jing(SchoolofElectromechanicalEngineeringꎬDalianMinzuUniversityꎬDalianLiaoning116605ꎬChina)Abstract:Researchonhandfeaturerecognitionismoreprominent.Becausefingerprintsandpalmprintsexistontheskinsurfaceꎬtherearesomeunavoidableshortcomingssuchaseasyfor ̄geryandlackofsecurityꎬwhichwillaffecttherecognitioneffect.Inresponsetotheseshortcom ̄ingsꎬpalmveinrecognitiontechnologycameintobeing.Ithasverygooddevelopmentprospectsinidentificationꎬsecurityꎬaccesscontrolandmedicalresearch.Thispaperanalyzesthere ̄searchstatusofpalmarveinrecognitiontechnologyathomeandabroadꎬsortsouttherelatedal ̄gorithmsꎬandobtainstheexistingdifficultiesofpalmarveinrecognitionꎬprovidingreferencesforthedevelopmentandapplicationofpalmarveinrecognitiontechnologyinthefuture.Keywords:palmarveinrecognitionꎻfeatureextractionꎻdeeplearning㊀㊀随着科学技术的发展和进步ꎬ生物特征识别技术[1]在身份识别㊁医疗诊断和交通管理ꎬ甚至是在人们的日常生活中各个方面的应用越来越广泛ꎮ手部特征识别具有方便快捷等优点ꎬ目前对手部特征的识别主要有指静脉识别[2]㊁掌静脉识别[3]㊁指纹识别[4]㊁指节纹识别[5]㊁掌纹识别[6]和手形识别[7]等ꎮ而掌静脉识别作为一种新兴的生物特征识别技术ꎬ属于内生理特征ꎮ它不会磨损并且是活体时才存在的生理特征ꎬ具有难伪造㊁比掌纹和指纹识别更具安全性㊁比人脸识别更具稳定性㊁比虹膜识别更具应用的普遍性等特点[8]ꎮ因此ꎬ掌静脉识别成为了目前手部特征研究的热点之一ꎮ1㊀国内外研究现状1.1㊀国外研究现状国外在静脉识别方面的研究起步很早ꎬ用于静脉识别的技术也相对成熟ꎬ研发了很多静脉识别技术相关的产品[9]ꎮ1983年ꎬ柯达公司在诺丁汉的雇员JosephRice在研究红外条形码技术时产生了利用人体手背血管红外成像作为身份识别的想法ꎬ并发明了手静脉特征识别技术ꎬ取名为Veincheck[10]ꎮ1992年ꎬ日本北海道大学生物工程系的K.Shimizu发表文章认为可以利用人体手血管红外成像作为身份识别依据[11]ꎬ为后来日本和韩国进行静脉识别奠定了基础ꎮ1997年ꎬ韩国NEXTERN公司研制出首套手背静脉识别产品BK-100ꎬ静脉识别系统进入商业应用[12]ꎮ2004年ꎬ日本富士通公司发布了PalmSecure设备ꎬ该设备可安放在银行ATM设备中ꎬ其尺寸虽只有手掌大小ꎬ但实现了客户身份识别的功能[13]ꎮ2007年ꎬ静脉识别技术正式被国际标准组织(ISO)采纳[14]ꎮ2008年ꎬ英国AhmedM.Badawi首次采用3ˑ3的中值滤波器处理图像ꎬ逐个像素对比进行特征图像匹配ꎬ通过大量实验后得出的匹配结果FAR和FRR等指标都得到很大的提高ꎬ但识别需要的时间较长ꎬ无法满足实时识别的需求[15]ꎮ2010年ꎬNEC发布了可同时对指纹及手指静脉进行识别认证的设备ꎮ2014年ꎬ日本富士通公司在手机终端实现手掌静脉识别[13]ꎮ此前ꎬ日本富士通公司推出了最新款超薄型手掌静脉模块Palm ̄Secure-FProꎬ具有很高的操作性和很强的环境适应能力ꎬ单机可支持双手5000人登录ꎬ与2010年开始销售的老款传感器PalmSecure-V2相比具有更完善的功能[16]ꎮ1.2㊀国内研究现状国内在静脉识别方面的起步较晚ꎬ但由于静脉识别具有研究的诸多优越性ꎬ令其在国内的研究和发展极其迅速ꎮ2003年ꎬ清华大学林喜荣等[17]发表了关于手背静脉图像特征提取和匹配的文章ꎮ此后ꎬ国内许多高校和科研机构也相继展开了对静脉识别的研究ꎮ2009年ꎬ重庆工学院的余成波等[18]提出基于方向谷形检测的静脉纹路分割ꎬ使用该方法虽然取得了一定的效果ꎬ但较难处理质量不高的图像ꎮ2011年ꎬ东北大学的贾旭等[19]提出了基于分块脊波变换的手背静脉识别算法ꎬ首先利用改进的细化算法对获得的二值图像进行细化处理ꎬ得到了静脉的骨架信息ꎻ再将细化后的静脉图像进行分块ꎬ然后做脊波变换ꎬ并通过降维得到静脉图像的特征向量ꎻ最后利用支持向量机(SVM)对静脉图像进行分类匹配ꎬ实验表明其正确识别率可达97%以上ꎮ2019年ꎬ南方医科大学的袁玲等[20]提出了基于自适应融合的手掌静脉增强方法ꎬ与传统的手掌静脉识别方法相比较ꎬ降低了错误率ꎬ提高了识别精度ꎮ2㊀手掌静脉识别方法2.1㊀传统手掌静脉图像识别方法传统的手掌脉识别方法首先采集静脉图像并进行预处理ꎬ一般采用近红外光拍摄获取手掌静脉图像ꎻ截取ROI(RegionOfInterest)区域进行增强㊁去噪等处理ꎻ最后静脉特征提取及匹配ꎮ静脉特征的提取是识别中关键的一步ꎬ提取出完整的掌静脉特征会降低识别的难度ꎮ2.1.1㊀手掌静脉ROI图像的获取通过图像采集设备获取的手掌静脉图像包含手指㊁手腕以及手掌外部的背景ꎬ而在进行掌静脉图像处理时只需要处理含有丰富静脉血管的手掌区域ꎬ该区域称为感兴趣区域ROI[21]ꎮ目前有很多种获取ROI的方法:中国科学技术大学的王春义[22]提出非接触式高质量掌静脉图像获取方法ꎬ首先改进了基于掌心或手腕中心与手掌轮廓距离的手掌定位方法ꎬ使算法无需判断左右手即可提取出感兴趣区域ꎬ此外ꎬ结合手掌轮廓凹性分析ꎬ给出了鲁棒性更高的手掌定位方法ꎬ并通过实验验证该方法的定位准确率ꎻ沈阳工业大学的李威[23]提出非接触成像方式下手掌特征提取的方法ꎬ首先对图像进行二值化ꎬ找到边缘轮廓图ꎬ然后用定位指峰与指谷的方法进行边缘检测ꎬ确定内切圆的圆心和半径ꎬ利用圆的数学特性确定手掌内切圆ꎬ从而确定手掌ROI区域ꎮ用以上方法处理图像效果虽好ꎬ但处理时间较长ꎬ且易受外界因素干扰ꎮ2.1.2㊀手掌静脉图像的增强在掌静脉的识别中ꎬ静脉图像增强是重要的研究内容ꎬ直接影响特征提取与匹配的结果ꎬ进而影响识别精度ꎮ手掌静脉识别过程中ꎬ由于采集手部静脉图像时可能会受到采集设备㊁光照条件等各种因素的干扰ꎬ导致采集到的图像不清晰或静脉血管与背景区分度低等质量不佳的情况ꎬ因此对静脉图像识别之前需要对图像进行增强处理ꎮ图像增强是指改善图像质量㊁丰富图像信息㊁加强图像识别效果ꎬ从而使图像主观上看起来更好的一种图像处理方法[24]ꎮ目前主要的图像增强方法有:灰度归一化[25]㊁直方图均衡[26]㊁自适应对比度增强[27]㊁自适应直方图均衡[28]等ꎮ例如娄梦莹等[29]提出的基于自适应融合的手掌静脉增强方法ꎬ采用自适应DCP和POSHE算法分别对手掌图像增强ꎬ并将DCP增强图像和POSHE增43大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第22卷强图像自适应融合ꎬ得到最终的增强图像ꎮ电子科技大学张钊[30]发表的掌静脉识别算法研究成果中ꎬ用限制对比度自适应直方图均衡(CLAHE)方法ꎬ将图像分块后再用自适应直方图处理ꎬ有效避免了图像的过度增强ꎬ效果更好ꎮ2.1.3㊀手掌静脉特征提取手掌静脉特征提取的质量决定着识别的效果ꎬ因此提取合理的手掌静脉特征是很多学者研究的重点ꎮ北京邮电大学的马欣[13]提出一种根据图像不同区域纹理特性自适应地选择局部Ga ̄bor参数的算法ꎬ从而可最优化地提取静脉特征ꎬ提高系统识别率ꎬ但该方法耗时较长ꎮ哈尔滨工业大学的傅泽思[31]采用四个滤波器的实部滤波图像ꎬ按照单方向2D-Gabor滤波编码的方法进行比特编码ꎬ再比较图像经过四个不同方向滤波器滤波后Gabor幅值的大小ꎬ将最大幅值响应的图像编码作为最后的图像特征编码ꎬ利用多方向纹理信息ꎬ提取手掌静脉特征ꎬ但该方法提取ROI区域时ꎬ关键的定位有偏移ꎬ导致识别匹配率较低ꎮ吉林大学的代立波[32]提出利用距离变换算法生成手指骨架图ꎬ通过对其进行局部和全局比较保证骨架图的连续性ꎬ提取手指骨架中心点ꎬ对生成的骨架图进行修剪与拟合获取手指中轴线ꎬ使手指特征更加稳定ꎻ之后为充分利用手形信息ꎬ提取手形的几何和轮廓双重特征ꎬ但该算法对图像质量要求高且算法复杂ꎬ提取时间较长ꎮ西北大学的严娇娇[33]提出基于全局Gist特征的掌静脉特征提取方法ꎬ将增强后的掌静脉图像抽象为一幅场景图像ꎬ利用 分块提取 思想对其分块后ꎬ提取每块的全局Gist特征ꎬ将所有Gist特征级联构成掌静脉特征向量ꎬ采用主成分分析法对高维掌静脉特征向量进行降维处理ꎬ使其能够有效地完成识别ꎬ但该方法降维过程较难处理ꎮ2.2㊀基于深度学习的掌静脉图像识别深度学习可以通过学习一个深度非线性网络ꎬ实现复杂函数逼近ꎬ展现了其从少量样本集中学习数据集本质特征的能力[34]ꎮ在深度学习中ꎬ卷积神经网络(ConvolutionalNeuralNetworkꎬCNN[35])作为最早成功应用的深度学习模型ꎬ是受生物视觉感知机制启发的深度学习框架ꎬ具有很强的图像表达能力ꎬ现已在目标检测[36-37]㊁图像检索[38-39]㊁人脸识别[40-41]等领域得到广泛应用ꎮ它不但可以自动进行特征提取和分类识别ꎬ还会将识别结果反作用于特征提取ꎬ不需要人工设计特征ꎬ解决了使用传统方法难以提取特征的问题ꎮ经典的卷积神经网络主要包括输入层㊁卷积层㊁池化层㊁全连接层和输出层[42]ꎮ其中ꎬ利用卷积层可以对手掌静脉图像进行特征提取ꎬ但随着网络模型的加深ꎬ卷积核增加ꎬ参数增多ꎬ容易出现过拟合现象ꎬ这种情况就可用池化层对图像进行二次特征提取ꎮ全连接层用来连接输出层ꎬ对此前提取特征进行分类处理ꎬ最后输出结果ꎮ如南方医科大学的袁丽莎[43]利用双通道卷积神经网络模板的多样化ꎬ特征提取更充分ꎬ从而更好地保留了原始静脉图像信息的完整性ꎬ并且卷积神经网络可以提取掌静脉图像更高层次和更具表达能力的静脉特征ꎬ有效避免了人工提取特征的局限性ꎮ神经网络可以分为有监督学习网络和无(半)监督学习网络ꎮ卷积神经网络作为有监督学习网络ꎬ发展比较迅速ꎬ已经应用于很多研究领域ꎮ而无监督学习网络由于自身模型难以模拟ꎬ在各研究领域的应用较少ꎮ2014年ꎬ由Goodfellow首次提出的生成对抗网络(GenerativeAdversarialNet ̄worksꎬGAN[44])属于无监督学习网络的一种模型ꎮGAN基本框架包括生成模型(Generator)和判别模型(Discriminator[45])ꎬ不再需要预先设定的数据分布ꎬ具有拟合的最大自由性[46]ꎬ可避免卷积神经网络使用最大似然估计时产生的概率计算问题ꎬ但也存在训练不稳定的缺点ꎬ需要进一步优化网络模型ꎮ而条件生成对抗网络(CGAN)作为生成对抗网络的一个扩展ꎬ可有效解决传统静脉图像增强时ꎬ滤波过程中引进的噪声和残存的掌纹问题ꎮ相对于普通的生成对抗网络具有更强大的生成能力ꎬ同时训练更加容易稳定ꎮ如南方医科大学的袁玲[20]采用条件生产对抗网络ꎬ调整网络的参数使原始手掌静脉图像在学习目标图像静脉网络结构的同时ꎬ去除少量掌纹及滤波操作引进的噪声ꎬ获得静脉纹理更加清晰的手掌静脉图像ꎮ较传统算法ꎬ该方法在有效识别的同时缩短了识别时间ꎮ3㊀手掌静脉识别难点随着学者们的不断研究和机器学习的发展ꎬ手掌静脉识别方面存在的许多问题都得以解决ꎬ但仍然存在以下难点:(1)掌静脉图像采集环境的影响ꎮ掌静脉的53第1期张秀峰ꎬ等:掌静脉识别研究综述采集主要有接触式采集和非接触式采集ꎬ无论利用哪种采集方式ꎬ采集过程都会受到光照㊁采集背景和温度等因素的影响ꎮ如文献[47]使用高动态范围的方法识别手掌静脉取得了不错的效果ꎬ但在获取图像时会引入其他噪声ꎬ使掌静脉图像的识别时间增加ꎮ(2)掌静脉ROI图像定位分割的影响ꎮ为获取静脉特征丰富的区域ꎬ需对掌静脉ROI图像定位分割ꎬ学者们一般采用香港理工大学数据库的掌静脉图像进行静脉识别研究ꎬ库中的掌静脉图像由于采集时需要固定手掌而在中指与无名指之间的指谷位置安装了硬件设备ꎬ从而使掌静脉ROI图像难以定位分割ꎮ如文献[48]由于缺乏适宜的ROI定位分割方法ꎬ导致特征提取的准确性较低ꎬ识别率不高ꎮ(3)掌纹的影响ꎮ掌静脉图像带有掌纹ꎬ现有的算法仍然不能够完全去除掌纹的干扰ꎬ如逄增耀等[49]利用模糊阈值判定以及全局灰度值匹配提高算法的鲁棒性ꎬ但没有更好地去除掌纹的干扰ꎬ使掌静脉的识别效果不佳ꎮ综上所述ꎬ在今后的掌静脉识别研究中应针对以上难点ꎬ寻求更有效的方法㊁算法解决问题ꎮ4㊀结㊀语手掌静脉识别已应用于很多领域ꎬ有非常好的发展前景ꎮ本文通过对掌静脉识别方法的介绍ꎬ可以得出传统的掌静脉识别方法已经慢慢淡出人们的视野ꎬ而随着机器学习算法的不断发展和优化ꎬ使掌静脉识别技术愈发成熟ꎮ相信未来在掌静脉识别的研究中ꎬ识别精度会不断提高ꎬ达到更好的识别效果ꎬ且在各领域中的应用有更多突破ꎮ参考文献:[1]郑方ꎬ艾斯卡尔 肉孜ꎬ王仁宇ꎬ等.生物特征识别技术综述[J].信息安全研究ꎬ2016ꎬ2(1):12-26. [2]吴超.基于深度学习的指静脉识别研究[D].南京:南京邮电大学ꎬ2018.[3]DUDYꎬLULJꎬFURYꎬetal.Palmveinrecognitionbasedonend-to-endconvolutionalneuralnetwork[J].JournalofSouthernMedicalUniversityꎬ2019ꎬ39(2):204-217.[4]CAOKꎬJAINAK.Learningfingerprintreconstruction:Fromminutiaetoimage[J].IEEETransactionsonInfor ̄mationForensics&Securityꎬ2015ꎬ10(1):104-117. [5]陆劲挺ꎬ贾伟ꎬ叶慧ꎬ等.指节纹识别综述[J].模式识别与人工智能ꎬ2017ꎬ30(7):622-636. [6]IMADRꎬROMAINHꎬGIANLMꎬetal.Palmprintrecog ̄nitionwithanefficientdatadrivenensembleclassifier[J].PatternRecognitionLettersꎬ2019ꎬ126:21-30. [7]KANGWꎬWUQ.Pose-invarianthandshaperecognitionbasedonfingergeometry[J].IEEETransactionsonSys ̄temsMan&CyberneticsSystemsꎬ2014ꎬ44(11):1510-1521.[8]KUBANEKMꎬSMORDꎬHOLOTYAKT.Featureextrac ̄tionofpalmveinpatternsbasedontwo-dimensionaldensityfunction[C].ICAISC2015:Proceedingsofthe2015ArtificialIntelligenceandSoftComputing.Berlin:Springerꎬ2015:101-111.[9]叶慧.基于方向局部描述子的掌纹和手掌静脉识别研究[D].合肥:合肥工业大学ꎬ2018.[10]秦斌.手静脉身份识别技术[J].现代电子技术ꎬ2011ꎬ34(4):169-174.[11]SHIMIZUK.Opticaltrans-bodyimagingfeasibilityofop-ticalCTandfunctionalimagingoflivingbody[J].JPNJ.ofMedicinaPhilosophicaꎬ1992ꎬⅡ:620-629. [12]宗宇轩.基于优化纹理特征的手背静脉识别算法研究及在RaspberryPi系统上的实现[D].长春:吉林大学ꎬ2018.[13]马欣.手掌静脉身份识别关键技术研究[D].北京:北京邮电大学ꎬ2018.[14]张文辉.掌静脉识别系统研究与实现[D].成都:电子科技大学ꎬ2017.[15]BADAWIAM.Handveinbiometircverificationprototype:Atestingperformanceandpatternssimilarity[J].Interna ̄tionalJournalofBiomedicalSciencesꎬ2007:34-38. [16]陶静静.非接触式多光谱掌静脉识别系统设计[D].淮南:安徽理工大学ꎬ2019.[17]林喜荣ꎬ庄波ꎬ苏晓生.人体手背血管图像的特征提取及匹配[J].清华大学学报(自然科学版)ꎬ2003ꎬ43(2):164-167.[18]余成波ꎬ秦华峰.生物特征识别技术[M].北京:清华大学出版社ꎬ2009:23-25.[19]贾旭ꎬ薛定宇ꎬ崔建江ꎬ等.基于分块脊波变换的静脉识别算法[J].模式识别与人工智能ꎬ2011(3):346-352.[20]袁玲.基于图像融合和深度学习的手掌静脉图像增强方法[D].广州:南方医科大学ꎬ2018.[21]刘富ꎬ姜守坤ꎬ康冰ꎬ等.基于最大圆形感兴趣区域的手背静脉识别系统[J/OL].吉林大学学报(工学版):1-6[2019-12-20].https://doi.org/10.13229/j.cnki.jdxbgxb20190777.[22]王春义.非接触式高质量掌静脉图像获取方法研究[D].合肥:中国科学技术大学ꎬ2018.63大㊀连㊀民㊀族㊀大㊀学㊀学㊀报第22卷[23]李威.非接触成像方式下手掌特征提取方法研究[D].沈阳:沈阳工业大学ꎬ2013.[24]岳林ꎬ万新军ꎬ张晨皓ꎬ等.复杂背景下红外静脉图像的分割与增强[J].电子科技ꎬ2017ꎬ30(3):118-120. [25]LADOUXPOꎬROSENBERGERCꎬDORIZZIB.PalmveinverificationsystembasedonSIFTmatching[A].AdvancesinBiometrics.BerlinHeidelberg:Springerꎬ2009:1290-1298.[26]ESWARRꎬRAMACHANDRAR.Dynamicclippedhis ̄togramequalizationtechniqueforenhancinglowcontrastimages[J].ProceedingsoftheNationalAcademyofSci ̄encesꎬIndiaSectionA:PhysicalSciencesꎬ2019ꎬ89(2):673-698.[27]王成ꎬ张艳超.像素级自适应融合的夜间图像增强[J].液晶与显示ꎬ2019ꎬ34(9):888-896.[28]王超ꎬ孙玉秋ꎬ徐石瑶ꎬ等.自适应直方图均衡化图像增强算法研究[J].长江大学学报(自科版)ꎬ2018ꎬ15(1):55-59.[29]娄梦莹ꎬ袁丽莎ꎬ刘娅琴ꎬ等.基于自适应融合的手掌静脉增强方法[J].计算机应用ꎬ2019ꎬ39(4):1176-1182.[30]张钊.掌静脉识别算法研究[D].成都:电子科技大学ꎬ2017.[31]傅泽思.手掌静脉识别技术研究[D].哈尔滨:哈尔滨工业大学ꎬ2014.[32]代立波.融合手形和掌部静脉的双模态识别系统研究[D].长春:吉林大学ꎬ2018.[33]严娇娇.基于掌纹与掌静脉双模态融合特征识别研究[D].西安:西北大学ꎬ2018.[34]吴超ꎬ邵曦.基于深度学习的指静脉识别研究[J].计算机技术与发展.2018ꎬ28(2):200-204.[35]JINJꎬFUKꎬZHANGC.Trafficsignrecognitionwithhingelosstrainedconvolutionalneuralnetworks[J].IEEETransactionsonIntelligentTransportationSystemsꎬ2014ꎬ15(5):1991-2000.[36]RENSQꎬHEKMꎬGIRSHICKRꎬetal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETransPatternAnalMachIntellꎬ2017ꎬ39(6):1137-1149.[37]HEKꎬZHANGXꎬRENSꎬetal.Spatialpyramidpoo ̄lingindeepconvolutionalnetworksforvisualrecognition[J].IEEETransPatternAnalMachIntellꎬ2015ꎬ37(9):1904-1916.[38]ZHENGLꎬYANGYꎬTIANQ.SIFTmeetsCNN:Adecadesurveyofinstanceretrieval[J].IEEETransPat ̄ternAnalMachIntellꎬ2018ꎬ40(5):1224-1244. [39]NAKAZAWATꎬKULKARNIDV.Wafermapdefectpatternclassificationandimageretrievalusingconvolu ̄tionalneuralnetwork[J].IEEETransSemicondManu ̄factꎬ2018ꎬ31(2):309-314.[40]SYAFEEZAARꎬKHALILHANIMꎬLIEWSSꎬetal.Convolutionalneuralnetworkforfacerecognitionwithposeandilluminationvariation[J].IntJEngTechnolꎬ2014ꎬ6(1):44-57.[41]WUYꎬHASSNERTꎬKIMKꎬetal.Faciallandmarkdetectionwithtweakedconvolutionalneuralnetworks[J].IEEETransPatternAnalMachIntellꎬ2018ꎬ40(12):3067-3074.[42]LIUYꎬWANGDLꎬHEFꎬetal.Phenotypepredictionandgenome-wideassociationstudyusingdeepconvolu ̄tionalNeuralNetworkofSoybean[J].Frontiersingenet ̄icsꎬ2019ꎬ10:1091-1099.[43]袁丽莎.基于深度学习的手掌静脉识别[D].广州:南方医科大学ꎬ2019.[44]GOODFELLOWIJꎬPOUGET-ABADIEJꎬMIRZMꎬetal.Generativeadversarialnets[C]ʊInternationalCon ̄ferenceonNeuralInformationProcessingSystemsꎬ2014:2672-2680.[45]张营营.生成对抗网络模型综述[J].电子设计工程ꎬ2018ꎬ26(5):34-37.[46]王杨ꎬ张鑫ꎬ许闪闪.基于维纳滤波器和生成对抗网络的动态模糊图像处理方法[J].计算机系统应用ꎬ2019ꎬ28(4):145-150.[47]王陈.指静脉多曝光图像的研究[D].北京:北京邮电大学ꎬ2019.[48]ANXKꎬKANGWXꎬDENGFQꎬetal.Palmveinrecognitionbasedonmulti-samplingandfeature-levelfusion[J].Neurocomputingꎬ2015ꎬ151:798-807.[49]逄增耀ꎬ杨杰.基于方向梯度的快速手掌静脉识别[J].计算机应用研究ꎬ2018ꎬ35(3):953-956.(责任编辑㊀赵环宇)73第1期张秀峰ꎬ等:掌静脉识别研究综述。
手背静脉特征提取算法

手背静脉特征提取算法
韩笑;冀进朝;左平;张禹
【期刊名称】《吉林大学学报(理学版)》
【年(卷),期】2010(048)002
【摘要】提出一种基于有限Radon变换(FRAT)的手背静脉识别新方法. 在考虑手背静脉图像"线状"特点的基础上,先将手背静脉图像 "分块",再对分块后的图像进行FRAT变换,并提出一种向量非均衡分布可得最大值的方法,提取手背静脉图像纹理特征,最后通过特征匹配进行分类识别. 结果表明: 与传统的Hough变换和离散Radon变换相比,新方法提高了目标直线特征的检测速度;在有800个样本的数据库上进行实验,获得了96.5%的识别率,表明了算法的有效性.
【总页数】6页(P245-250)
【作者】韩笑;冀进朝;左平;张禹
【作者单位】吉林大学,数学学院,长春,130012;吉林大学,计算机科学与技术学院,长春,130012;空军航空大学,基础部,长春,130022;吉林大学,计算机科学与技术学院,长春,130012
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于特征点距离的手背静脉特征融合方法 [J], 任桐慧;刘富;姜守坤;王贺;杨悦
2.手背静脉图像 ROI 提取算法研究 [J], 潘晓苹;汪天富
3.一种人手背静脉特征识别方法 [J], 严娇娇;种兰祥;李婷
4.基于特征点融合小波能量特征的手背静脉识别 [J], 吕岑;程诚
5.基于纹理特征优化LPQ的手背静脉提取方法 [J], 张喆原;刘富
因版权原因,仅展示原文概要,查看原文内容请购买。
手背静脉图像骨架特征提取的算法

第2 7卷 第 1 期
20 0 7年 1月
文 章 编 号 :0 1 0 12 0 ) 1— 12—0 10 —9 8 ( 07 0 0 5 3
计 算机 应 用
Co mpu e p i a o s trAp lc t n i
V0 . 7 No 1 12 . Jn 0 7 a .2 0
Ab ta t s r c :Bimerc i e t c t n t h oo y b s d o a d v i u c tn o s n t o k s u t r p e r s a p o sn o t ni a o i d i f i c e n l g a e n h n e n s b ua e u ew r t cu ea p a sa r miig r t c nq ef rp ro a e o n t n e h i u o e s n l c g i o .T e c nr s f a dv i g n a c d b ig W in rf t r o ma i d mo e ry r i h o t to n en i e i e h n e y u n e e l ,n r l z d ,g a a h ma s s ie e l v l tec i , s a p n n d s n A trb n r ma e W So t i e ,f u - o i g o r w n g r h wa r s n e e e r th n s g h r e i g a o o . f i ay i g a b an n e d o rd man r i n g o i g a o i m sp e t e l t e d t i e n it d g t d o t e n ie a| .T e q ik t in n l oi m a d p e .whc a n d a tg ss c s o df r t e a e h os r e a n i r f 娜 h u c n i g ag rt w s a o t h h d ih h d ma y a v a e u h a n c mpe e ti n n ,fs p e ,ma n e a c n t e n d S n fe a d v i g k lt n w s a ay e ,t e me h d o lt n ig a t e d h s i tn n eo mi u a ,a Oo .A t r n en i f i h ma e s e eo a l z d h t o n f re t ci g t e co s g p it s p p  ̄ lt ov h rb e t i e fa u e e t c o .T e b r , oh r k n f o xr t rs i ons wa r e a n h n o o s le t e p o l ms me n t e t r x r t n h u r t e i d o h ai n ie os ,wa t d c d b i n n g r l n s i r u e y t n i a o iu .On t e b ss o e b r ft e h n en i g ,a g r h o e u r g wa n o h g l t a i ft u ro h a d v i ma e n a o t f rd b ri s h h l im n p e e t .T e e p r n ss o h tt e n w ag t o l k h k l tn e p e s g o t c sr cu e o eh n en rsne h e i d x me t h w ta e  ̄ h c u d ma et e s ee o x r s e m r t t r ft a d v i h l m e i u h
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
手 背静 脉 图像 由红外摄 像 头拍摄 所 得 。 由于 不 同的时 间 、 点 、 地 光照 强度 , 以及 不 同人 的手背 大小 、
厚 薄 、 集角 度等 影响 , 采 所采 集 的 图像 会 有很 大 的差异 , 些 差异 增加 了后 续 的静 脉 图像 特征 提 取 和特 这
1 1 灰 度 归 一 化 .
采 集 的原始 图像 由于 受到 光照 强度 、 手掌 厚 薄等 因素 的影 响 , 灰 度 分 布上 存 在 很 大 的差 异 , 且 在 并 手 背部 分与 背景 的灰 度相 近 , 利 于后续 背景 去 除 的操作 。算法 首先 对 采 集 的原 始 图像 进行 灰 度 归一 不
第 3 3卷 第 5期
21 0 0年 1 月 0
辽 宁 科 技 大 学 学 报
J u n lo ie st fS in ea d Te h oo y Lio ig o r a fUn v r i o ce c n c n lg a n n y
Vo . 3 No 5 13 .
理, 最终得 到包 含有 效信 息 的手 背静脉 骨架 。
l 静 脉 图像 的有 效 区域 提 取
采集 到 的图像包 括 背景 和手 背部分 。手背 静脉 识别 系 统 是 以手 背 静脉 血 管 脉 络作 为 识别 依 据 , 进
而识 别身 份 的 , 有用 的信 息 主要集 中在 手背 中间部分 , 之 为有效 区域 。有效 区域具 有包 含尽 量多 的手 称
强 和 平 滑 处 理 , 用 动 态 阈值 分 割 算 法 对 图像 进 行 分 割 , 分 割 结 果 进 行 平 滑 细 化 和 去 除“ 刺 ” 理 。仿 真 采 对 毛 处
实验 表 明 , 算 法 能 够 获得 失 真较 小 的 静 脉 骨 架 。 该
关键 词 : 图像 处理 ; 手背 ; 脉 ; 静 有效位置
其 他
式 中 : 叫 为去除 背景 后 图像 ( , ) h, i 的行 数 和验 , 阈 值 T 将 设 定为 7 。去 除 背 景 后 图像 如 图 1 5 b所
示 , 1 为原 始采 集 图像 。 图 a
1 3 有 效 区 域 提 取 .
a原 始 采 集 图 像 b去 除 背 景 后 图 像
图 1 原 始 采 集 图 像 和 去 除 背 景 后 的 图像
收 稿 日期 : O 0 0 — O 2 l —8 2 。
作者简介: 王镇 东 ( 9 6 ) 1 8 一 ,男 , 徽 天 长 人 。 安
辽 宁 科 技 大 学 学 报 出手 背部分
H
=:
第 3 卷 3
() 2
式 中 : i ) J i ) 原 图像 和 背 景 F(, , ( , 为 去 除后 图像 在点 ( , ) 的 灰 度 值 ; i 处 T
∑ ∑ i( p ) ,
一
三旦 』三旦—————一 _
h
∑ ∑ 户 , (J )
i 0 J = 0
h
,一 g o
( 3)
∑ ∑ ( ) ,
∑ ∑ pi ) ( ,
i - i 0 _0 一
f 0 pi (, )一 { { l _
(, )一 0 iJ
化 处 理
( — j .)× 25 5 ,
1 t — ] _ 一 o u = = 式 中 :。 。为原 图像 和归 一化 后 图像灰 度值 ;… ,… 为原 图像 的灰 度最 小值 和最 大值 。 ,
¨
1 2 背 景去 除 . 通过 灰度 归一 化处 理 , 背 与背景 的灰 度有 着较 为 明显 的差异 。利 用该 灰度 差异 将 背景 去除 , 手 提取
征 匹配难 度 , 从而影 响 识别结 果 。
本 文提 出 了一 种 手背静 脉 图像 的有 效 区域 提 取方 法 , 获得 手背 静脉 图像 的有 效 区域后 , 图像进 在 对 行 增强 和平 滑处理 , 用动态 阈值 分 割算 法对 图像 进行 分割 , 采 对分 割结 果进 行平 滑 细化 和去 除“ 刺” 毛 处
背静 脉血管 脉络 , 以及 占整个 手背 面积 比例 尽量 小 的特点 。 先 对原 始 图像进 行背 景去 除 , 得 手背 部分 , 取 计算 得 到手 背 部分 的质 心 G和 手 背部 分 的面积 S, 再
以质心 G作 为 中心 . 以手背 部分 面积 s作 为参 考 面积定 义一 个 矩形 , 作为 包含 静脉 信息 的有 效 区域 。
Fi 1 O rg n c sto m a d r m ovng ba kg o d i a g. ii ala quiii n i gean e i c r un m ge
对 去除 背景 后 的图像 J i ) ( , 进行 逐
点 扫描 , 计算 手背 部分 的质 心 G( g )3 g , l ]
中 图分 类 号 : P 9 文献 标识 码 : 文章编 号 :6414 (000—49 5 T 31 A 17—0821)5 9— 0 0
人体手 背静 脉识 别作 为一 种新 兴 的生 物特征 识别 技术 引, 有非 接触 、 。 具 内部特 征 、 活体识 别 等独 特
优越性 , 无论 是作 为 主要 身份识 别 方法 , 与其他 识别 方 法结 合 的辅助 识 别 方 法 , 有 着 广 阔 的应 用 前 或 都
O c ., t 201 0
手 背 静 脉 识 别 的 图像 处 理 算 法
王镇 东 , 红 星 , 永娣 , 楠楠 孙 邓 赵
( 宁 科 技 大 学 电子 与 信 息 工 程 学 院 ,辽 宁 鞍 山 1 4 5 ) 辽 10 1
摘 要 : 出了一种手背静 脉 图像的有效 区域提取方 法, 提 在获得手 背静 脉 图像 的有效 区域后 , 对图像进行 增