現(xiàn)有的指靜脈識(shí)別方法通常以包含靜脈分布的灰度圖為對(duì)象進(jìn)行算法設(shè)計(jì)。但由于采集裝置的局限性,光照強(qiáng)度的不確定性,手指血管周圍組織的復(fù)雜性等,原始圖像即使經(jīng)過圖像預(yù)處理過程,得到的灰度圖中依然會(huì)存在不規(guī)則的陰影和非靜脈特征,這可能使得被提取出的靜脈特征不具有很好的代表性和區(qū)分性,從而降低識(shí)別結(jié)果的準(zhǔn)確性。因此,本文提出以包含指靜脈分布的二值圖為對(duì)象進(jìn)行算法設(shè)計(jì),從而在識(shí)別過程中盡可能減少非靜脈因素的干擾。在特征提取上采用了適于二值圖特征點(diǎn)檢測(cè)的加速分割測(cè)試特征提取算法,提取出靜脈紋理邊緣中符合要求的像素點(diǎn)作為特征點(diǎn),進(jìn)而對(duì)檢測(cè)到的特征點(diǎn)進(jìn)行向量化描述。同時(shí)為了提高匹配的精度,提出了基于圓形鄰域的匹配算法,使用加權(quán)匹配距離描述圖像之間的相似程度。采用山東大學(xué)公開的手指靜脈數(shù)據(jù)庫進(jìn)行算法性能測(cè)試,平均識(shí)別率為0.993,等誤率為0.0196。上述結(jié)果證明了算法的有效性,為指靜脈識(shí)別算法設(shè)計(jì)提供了新的思路。 

【文章頁數(shù)】：8 頁

【文章目錄】：
1 引 言
2 圖像預(yù)處理算法設(shè)計(jì)
3 特征點(diǎn)檢測(cè)與描述算法設(shè)計(jì)
4 匹配算法設(shè)計(jì)
5 實(shí)驗(yàn)與結(jié)果
    5.1 鄰域半徑r的選擇
    5.2 識(shí)別模式和驗(yàn)證模式的性能測(cè)試
    5.3 和現(xiàn)有類似方法的比較
6 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]手指靜脈紅外圖像血管網(wǎng)絡(luò)修復(fù)新方法[J]. 賈桂敏,李振娟,楊金鋒,李乾司茂.  紅外與激光工程. 2019(04)
[2]基于灰度不均勻矯正和SIFT的手指靜脈識(shí)別方法[J]. 孟憲靜,襲肖明,楊璐,尹義龍.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(01)
[3]自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)與匹配濾波器相結(jié)合的視網(wǎng)膜血管分割[J]. 徐光柱,張柳,鄒耀斌,夏平,雷幫軍.  光學(xué)精密工程. 2017(03)
[4]基于小波包和Niblack法的槍號(hào)圖像二值化算法[J]. 申森,李艾華,姚良,馬治明.  光子學(xué)報(bào). 2013(03)



本文編號(hào)：3717144