论文部分内容阅读
指静脉识别技术具有的唯一性、稳定性、安全性、简便易用等特点,使得其在其他生物识别技术中脱颖而出。但手指静脉识别系统的识别率易受到平移、旋转、模糊、低对比度等问题的影响。为了解决以上问题,本文从手指静脉图像的增强、手指静脉图像的配准、手指静脉的识别三个方面对指静脉识别算法进行研究。本文主要工作及贡献如下:(1)提出了一种指静脉的增强算法。首先利用图像局部特征提取出所有可能的静脉区域,然后采用引导滤波对图像进行滤波操作。实验表明本文的增强方法能够有效提高手指静脉识别的正确率,在山东大学SDUMLA-FV的识别率为93.2%,综合集上的识别率为83.6%。(2)对已有的单滑块配准方法进行了改进,利用图像垂直投影直方图的凸包进行指关节定位,改进后的方法在时间复杂度上明显低于原方法,且其精度也有一定的提升。(3)采用微调后的AlexNet进行手指静脉图像的配准。利用开源工具LabelMe手工标注出指关节点坐标,再将标注好的数据集放入微调后的AlexNet网络中进行训练,实验表明,深度网络比传统手指定位方法有更高的精度,配准后图像的识别率比未配准的图像提高13.2%。(4)针对小样本问题,提出了一种基于Hessian-Affine特征算子的指静脉识别方法。Hessian-Affine特征算子对光照、平移、旋转、尺度等变换均具有高稳健性,在1:N的识别实验中,比传统的SIFT识别正确率提高4.71%。(5)针对大样本问题,提出一种基于ResNet神经网络的手指静脉识别算法。本文在训练过程中加入了数据集的增强以提高模型对光照、平移、旋转的鲁棒性,采用Center_Loss辅助Softmax交叉熵作为损失函数增加特征向量间的区分度,加入正则项以减少模型过拟合。在四种公开数据集组成的综合数据集上达到了99.5%的识别率。