论文部分内容阅读
静脉特征同指纹一样是每个人所特有且独有的,两个人手部静脉的可能重复率更是低于指纹特征,因此将手部静脉图像用作人员身份信息识别是一门新兴的生物特征识别技术。它不仅具有活体检测这一独有的特性,更在抗干扰和防伪性方面远远优于静脉、人脸和指纹等生物特征。本文主要是围绕静脉图像采集、静脉图像增强、静脉特征表示和静脉图像识别等几个方面进行了研究学习。(1)为解决目前国内外均无可供使用的开源静脉图像数据库的困扰,本文采用环形补光灯板结构自行设计制作了一整套完整的硬件采集装置,通过引入静脉质量评价函数构建双层质量评价体系,实现了近红外光源的闭环控制,从硬件层面上获得了相对高对比度的静脉图像,并构建了一套自主知识产权的高质量手部(含手指、手背、手掌)静脉图像数据库。(2)为解决低质量静脉图像成功提取特征用于后续识别的问题,本文分别研究实现了基于Multi-Scale Top-hat Transfomation(MSTHT)、Local-Gray Level Information Transfomation(LGLIT)、Super-Resolution Reconstruction Theory(SRRT)等理论的静脉图像增强方法,并通过设计增强后质量评价体系和识别率比对等方面证明了所提出的增强方法的有效性。(3)为了最大程度的减小非静脉信息对识别带来的影响,自行设计了一种基于有效区域位置分布的ROI提取方法,采取图像归一化、静脉分割、滤波去噪等一系列数字图像处理手段,用基于谷型的静脉分割算法改进了传统分割方法,在静脉图像特征取环节取得了较好的效果。并在此基础上,通过对基于数据降维和特征映射理论的PCA、2DPCA进行了研究,提出了(2D)2FPCA的特征映射方法,在自行构建的静脉数据库中进行了试验,实验测试识别率分别达到了98%。(4)为解决图像采集中可能引入的旋转变化、尺寸变化、光照变化等问题对后续特征识别效果的影响,本文将矩理论引入静脉识别研究,提出采用具有旋转不变特性的图像特征表示方法,并分别将7个Hu不变矩、Zernike矩、PCT矩、PST矩和PCET矩应用于静脉图像特征表示中,首先通过提取静脉图像的Zernike矩证明不变矩的有效性,随后设计实验比较了这5种矩在静脉识别特征表示中的优劣之后,将Hu矩和PCET矩应用于手背静脉特征表示中,进行分类识别,匹配效率大为提升,识别率明显增高。其中引入PCET矩后的识别速度增快至0.04s,识别率提升至98.3%。(5)为解决传统静脉识别方法中需要先验知识进行人工参数调整、分类器设计中必须进行特殊选择才能达到较好的识别效果等问题,本文尝试引入了一种通过对输入数据的低层次特征进行深入分析组合进而得到数据的高层次的本质特征,进而得到整个数据的分布式的特征表示的深度网络结构用于静脉数据特征的学习与表示,并取得了较好的效果。首先设计了基于K-MEANS聚类和SIFT特征的方法(KMS)证明了引入深度网络的必要性,之后结合径向基函数(Radical Basis Function,RBF)神经网络的优点,在卷积神经网络(Convolutional Neural Networks,CNN)的基础上引入基函数为拟多二次函数的正则化RBF网络进行改进,构建一种模拟视觉感知原理的深度学习网络层次结构(RCNN)实现静脉特征自学习和分类系统,实验测试取得了很好的分类识别效果。