HandDorsalVeinRecognitionBasedonHierarchicalCombinationofShapeandTextureFeaturesAuthor:BaiTutor:HuangSometraditionalidentificationmethodshavebeenunabletocontentthegrowingneeds,andthenmanyhigh-techbiometricsystemscomesout,thehanddorsalveinasanimportantoneofthebiometricidentification’sfamilyhasalsobeenextensiveresearchanddevelopment.Nowthereareseveraldifferentkindsofhanddorsalvein,someofthemethodsuseshapefeaturestodescribethedistinctness,andtheothersusetexturefeatures.Thetwodifferentkindsofmethodshavetheirownadvantagesanddisadvantages,andtheyhaveacertainfusion.However,thereisnotmuchresearchaboutthefusionstrategieswhichcombinetheseforFirstofall,thispaperdescribesthebackgroundandsignificanceofhandveinrecognitionandthedetailedcurrentresearch.Thenitfocusesonthefeatureextractiontechniquebasedonshapeinformationandtextureinformation.Finally,itachievesthefusionofhandveinbasedonshapeandtexturefeaturesrecognitionmethod,andtoverifythereliabilityofthemethodbyexperiments.Themaininnovationofthispaperasthefollowingaspects:(1)Combinedtheshapefeaturesandtexturefeaturesofthehandveinimages;(2)Usingbinarycodingtotheextractionoftheshapefeature,thismethoddescribesthestructureofthehandveinfromtheimagesofbone;(3)Somedorsalhandveinrecognitionsystemsareproposed,whichcombinesthetextureandshapefeatures.：Handdorsalveinrecognition,featureextraction,LocalBinaryPattern,BinaryCoding,fusionstrategy緒 傳統(tǒng)的識(shí)別技 基于LBP的紋理特征提 LBP特征提取實(shí) 致 緒目前世界上的手背靜脈識(shí)別的方式主要有基于形狀信息和基于紋理信息兩種方法但是基于形狀信息層級(jí)的靜脈識(shí)別精度不夠高，而基于紋理信息層級(jí)的靜脈識(shí)別速度較慢，高速度較快的手背靜脈識(shí)別傳統(tǒng)的識(shí)別技自古以來識(shí)別就是人們?nèi)粘Ｉ钪械闹匾M成部分之一，而隨著社會(huì)的發(fā)展以于，水。目，人中最的技術(shù)以分[1]：個(gè)人識(shí)別碼及。這種方式的重點(diǎn)之處在于用戶需要記住某一信息如等，信息被其他人獲得，那么其他人也可以用戶本人進(jìn)行操作。而在種情況之下，系統(tǒng)完全無法判斷出者的，更無法事件的發(fā)生，、RFID卡等電證件。用戶只要持有卡片就能證明自己的，不用去記雖然存在著不少的問題，但是傳統(tǒng)的識(shí)別技術(shù)仍然因?yàn)槠涞土某杀疽约跋鄬?duì)便實(shí)。鑒于此種情況，我國的《電子簽名法》于2005年4月1日起正式頒布施行，為電子商務(wù)等網(wǎng)絡(luò)應(yīng)用提供了有效的法律依靠。現(xiàn)有的網(wǎng)絡(luò)銀行的機(jī)制完全依賴于用戶賬號(hào)和或者CA數(shù)字，但是這種機(jī)制是應(yīng)用在服務(wù)器上，無法保障客戶端的安全鑒于這些情況，人們需要更安全和有效的技術(shù)，以確保他們的合法權(quán)益不會(huì)受到，自己的賬戶信息不會(huì)被允許的第剽竊和盜取。因此，生物識(shí)別技術(shù)作為另外一類識(shí)別方法，因其具有的安全性、可靠性、便捷性等方面的優(yōu)勢，正在受到本身都具有一些特定的生理特征和行為特征，而所謂的生物識(shí)別技術(shù)就是將這些特征使用一些設(shè)備技術(shù)變成可以計(jì)算測量的生物信息，然后通過計(jì)算機(jī)使用生物統(tǒng)計(jì)學(xué)方法來進(jìn)行識(shí)別的。于種被以生的總的來說，與傳統(tǒng)識(shí)別技術(shù)相比，生物識(shí)別技術(shù)有以下幾個(gè)優(yōu)點(diǎn)：生物識(shí)別技術(shù)不需要除生物特征外的任何信息。它完全是通過對(duì)用戶本人的行的電況的發(fā)生，難度相對(duì)較高。生物識(shí)別技術(shù)具有較高的穩(wěn)定性和不變性。用戶的等個(gè)人信息可能會(huì)隨為改正是由于以上幾種優(yōu)勢，所以生物識(shí)別技術(shù)吸引了越來越多的目光。許多國家以及高新技術(shù)公司近幾年來都在大力發(fā)展生物識(shí)別技術(shù)，一些研究成果已經(jīng)應(yīng)用到了我們?nèi)粘Ｉ畹姆椒矫婷妗．?dāng)然并不是所有的生物特征我們都可以用作生物識(shí)別技術(shù)。鑒別可利用的生物可測量性。即這種生物特征是可以通過某種儀器設(shè)備進(jìn)量計(jì)算的穩(wěn)定性。即這種生物特征在較長的一段時(shí)間內(nèi)不會(huì)隨著環(huán)境等因素的影響而隨意變化。在生物識(shí)別技術(shù)應(yīng)用的過程中，我們還需要考慮諸如識(shí)別精度、識(shí)別速度、對(duì)有識(shí)（圖11識(shí)別技術(shù)指的是通過一些技術(shù)獲取圖像，然后利用計(jì)算分析其特征，通過從脊、谷、分叉點(diǎn)等特征點(diǎn)中抽取的特征值，從而可靠的確認(rèn)用戶的。識(shí)是通過一些設(shè)備對(duì)用戶進(jìn)行采樣識(shí)別。雖然識(shí)別精度上與其它方法相比可能略遜一籌，膜的不會(huì)自行改變且每個(gè)人的虹膜都不一樣的特點(diǎn)來進(jìn)行識(shí)別的，虹膜在一睛而圖圖1.1常見的三種生物識(shí)別技術(shù) 、人臉、虹隨著互聯(lián)網(wǎng)技術(shù)以及信息科學(xué)技術(shù)的日益發(fā)展，對(duì)于人們也提出了新的要的經(jīng)具別得到液中的，根據(jù)它吸收近紅外線或輻射遠(yuǎn)紅外線的特性[2]，將手背靜脈圖像用一定波長的機(jī)進(jìn)行拍攝（圖1.2，通過高斯濾波、中值濾波等預(yù)處理進(jìn)行濾波增強(qiáng)與靜脈紋路分割、細(xì)化，然后提取其特征，再與預(yù)先到數(shù)據(jù)庫中的手背靜脈特征數(shù)據(jù)進(jìn)行匹配以確定個(gè)人[3]。1.2近紅外下的手背14歲之后就基本不會(huì)變化，而每個(gè)人的手背靜脈都具有唯一性，所以我們可以利用這種生物特征來實(shí)現(xiàn)識(shí)別。每個(gè)人的每根手指的手背靜脈圖像都不相同，是體體手背靜脈特征在外觀上比較明顯，辨識(shí)度很高手背靜脈識(shí)別屬于非接觸性識(shí)別技術(shù)，衛(wèi)生性較高，更容易讓用戶接受。不會(huì)受到來自油污、磨損、裝飾物等外在因素的影響，性強(qiáng)。綜上所述，由于目前社會(huì)人們對(duì)等級(jí)的要求的日益提高，手背靜脈識(shí)別的靜脈血管近紅外成像最早是應(yīng)用在醫(yī)學(xué)上的一種技術(shù)，直到1992年才將其應(yīng)用到生物識(shí)別技術(shù)當(dāng)中[5]。Kono等人在2000年率先研發(fā)出手指靜脈識(shí)別系統(tǒng)，實(shí)現(xiàn)由于人的手背當(dāng)中存在的靜脈血管遠(yuǎn)比手指所具有的靜脈血管豐富，能夠?yàn)樽R(shí)別提供脈來進(jìn)行驗(yàn)證。1995的ross理靜進(jìn)行認(rèn)證[7]205[8]007的aai間復(fù)雜度很高，效率較低[9]。在國內(nèi)2002年自主研發(fā)設(shè)計(jì)了近紅外手背靜脈識(shí)別系統(tǒng),從此掀開了國內(nèi)對(duì)靜脈識(shí)別的研究工作,哈爾濱工程大學(xué)、吉林大學(xué)等國內(nèi)多所高等院校陸續(xù),通的2005年等人文章提出了針對(duì)手背靜脈圖像的細(xì)化和分割算法。2007年同濟(jì)大學(xué)設(shè)計(jì)了嵌入式的手背靜脈輔助[10]。208年大學(xué)的新釆用迭代的線性追蹤方法提取線性特征并將其分塊編碼實(shí)現(xiàn)手指靜脈在大型數(shù)據(jù)庫中的搜索[11]。2009年的劉鐵根、、提出了一種基于加速魯棒性特征的手背靜脈識(shí)別算法,并設(shè)計(jì)了k近鄰分類器和支持向量機(jī)相融合的分類器進(jìn)行識(shí)別[12][13]。2010年復(fù)旦大學(xué)的鄭英杰,使用二維Gabor相位編碼特征與直方圖特征相結(jié)合的方法提取手背靜脈特征[14]。2011年東學(xué)的,崔建江使用多尺度下輪廓波變換的子帶能量為特征,分別建立了隱模型并進(jìn)行融合,實(shí)現(xiàn)真假經(jīng)過多年的發(fā)展，手背靜脈識(shí)別技術(shù)取得了飛速的進(jìn)步，在很多方面也有了豐碩的通過對(duì)國內(nèi)外手背靜脈識(shí)別技術(shù)發(fā)展現(xiàn)狀的研究，本文提出了一種基于形狀特息以及紋理特息融合的研究方法，主要內(nèi)容如下：理方法做了分析研究，找到合適的預(yù)處理方法。本文通過對(duì)基于局部二值編碼（LoalBiaryatrnsB算子的研究提出了手背靜脈紋理特征的提取方法，同時(shí)通過對(duì)二值編碼（iaryoing，C）的研究來進(jìn)行手背靜脈形狀特征的提取方法。合理的融合策略使得在保證識(shí)別精度的情況之下也能擁有不錯(cuò)的識(shí)別速度。處理方法的研究，詳細(xì)說明了本實(shí)驗(yàn)所采用的預(yù)處理。文所LBP和二值編碼兩種分別基于形狀和基于紋理的特征提取方式。手背靜脈圖像的獲取和預(yù)作為手背靜脈識(shí)別的第一個(gè)步驟，靜脈圖像與獲取在手背靜脈識(shí)別的過程中起根據(jù)骨骼和肌肉的生物性質(zhì)，當(dāng)我們使用波長為700nm-1500nm的近紅外光線術(shù)像，。由于通過手背靜脈圖像設(shè)備得到的手背靜脈圖像中包含著許多類似于背景之類的冗余、無用的信息，所以本文在特征提取之前的預(yù)處理階段采用了濾波去噪以及感區(qū)域提取的方法。圖21是本文采用的手背靜脈圖像預(yù)處理階段的流程圖。從中可以看到本文選取了高斯濾波器和中值濾波器來進(jìn)行圖像的去噪處理，其中高斯濾波器主要是用來去除圖像ROI提360×360大小的圖像，用來進(jìn)行接下來的特征提取階段。高斯濾波器中值濾波器感區(qū)域提取2.1手背靜脈圖像預(yù)處理流程高斯濾波是一種使用廣泛的圖像處理中的減噪技術(shù)，它的主要用處在于消除高斯噪行得到高斯濾波器是可以其權(quán)值的線性平滑濾波器。在圖像處理的過程當(dāng)中，我們一般使用二維零均值離散高斯函數(shù)作為一種平滑濾波的，其函數(shù)表達(dá)式如公式?(x2+y2

Gx,y= 2σ 單瓣的變換頻譜。高斯函數(shù)的高斯函數(shù)就是它自己。在接收圖像高斯濾波器的寬度是由參數(shù)σ實(shí)現(xiàn)的。σ和平滑程度的關(guān)系是成正比的，σ越大，寬度就越寬，所以平滑程度就越好。通過調(diào)節(jié)參數(shù)σ，可在圖像特過于平滑和圖像欠平滑之間取得一個(gè)合理的結(jié)果。而使孤立噪聲點(diǎn)。模糊這一問題，而且對(duì)于脈沖和噪聲消除很有效果。中值濾波器最早應(yīng)用在一維信號(hào)的處理中，后來因?yàn)楦鞣矫娴膬?yōu)點(diǎn)，所以人們嘗試將其使用到二維圖像值濾波的提取感區(qū)ROI（RegionOfInterest，感區(qū)域。圖像處理中，從被處理的圖像中以方框、橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域，成為感區(qū)域。在OpenCV、等機(jī)器視覺軟件上常用到各種算子和函數(shù)來求得感區(qū)域來進(jìn)行圖像的下一步處理，使用ROI提取技術(shù)可以減少處理時(shí)間，增加識(shí)別精度。在手背靜脈圖像中，包含有許多無用的信息，利用ROI提取技術(shù)將大大提高手背靜脈識(shí)別的效率。以下提出一種計(jì)算感區(qū)域提取方法mpq=+∞+∞xpyqfx,y ?∞μpq +∞(x?x)p(y?y)qf(x, ?∞以圖像質(zhì)心為中心，距離中心 分割技術(shù)就是把圖像分成具有獨(dú)特性質(zhì)的多個(gè)區(qū)域，然后提取ROI和過程。它是圖像預(yù)閾值分割即通過一些閾值將圖像分割成不同的區(qū)域，其在于如何尋找一個(gè)恰當(dāng)?shù)拈撝怠；趨^(qū)域的分割方法之中包含了區(qū)域生長和合并法這兩種具有鮮明特性的區(qū)域?yàn)閷⑺鶠橛玫耐瓿闪艘粋€(gè)區(qū)幅有目標(biāo)，這就是合并的思想。Rorts算子、aae算子、Soel算子以及any算子等。邊緣檢測算法比較適合邊緣的灰本章介紹了手背靜脈圖像的獲取方式以及當(dāng)前圖像預(yù)處理階段，著重對(duì)預(yù)處理階段常用的一些技術(shù)做了分析比較，提出了本文在預(yù)處理階段采用的流程圖，為之后的特征提取階段打好了基礎(chǔ)。手背靜脈圖像的特征在完成了圖像的預(yù)處理階段之后，就要進(jìn)行手背靜脈圖像的特征提取。目前的特征提取方式通常按照其提取的角度不同而分為紋理特征和形狀特征。其中紋理特征描述整張圖像的顏色分布和光強(qiáng)分布，而形狀特征則是描述靜脈圖像的靜脈結(jié)構(gòu)信息。下文將對(duì)這兩種不同的靜脈提取方式進(jìn)行研究。目前常用的紋理特征提取方法有局部二值模式（LocalBinaryPattern，LBP）、尺度不變特征轉(zhuǎn)換（Scale-invariantFeatureTransform，SIFT）、Gabor小波變換、灰度共生矩陣算法（GreyLevelCo-occurrenceMatrix，GLCM）、獨(dú)立分量分析（IndependentComponentysis，ICA）等幾種，下文將一一介紹。LBP是一種獨(dú)特的特征提取方式，它是用來描述圖像局部紋理特征的算子，而且它提取的特息是局部圖像的紋理特征。原始的LBP算子定義為在3×3的窗口內(nèi)，將鄰域內(nèi)的8個(gè)像素的灰度值分別與窗口中心的像素點(diǎn)的灰度值進(jìn)行比較，如果大于中心像素值則將像素點(diǎn)標(biāo)記為1，如果小于中心像素值則將該像素點(diǎn)標(biāo)記為0。由此我們在3×3的窗口中得到一個(gè)長度為8位的二進(jìn)制數(shù)，這個(gè)二進(jìn)制數(shù)就是該窗LBP值，我們就用得到的這個(gè)LBP值來表示該區(qū)域的紋理信息，如圖3.1所示。3.1LBP通過上面的描述我們可以看到通過LBP算子我們可以在每個(gè)像素點(diǎn)都得到一個(gè)LBP編碼，所以說當(dāng)對(duì)一幅圖像提取了LBP算子之后，其特征組合起來還是一幅。由分析我們不難看出，圖像的LBP特征跟位置點(diǎn)的選擇是密不可分的。如果我們直接對(duì)兩幅采用LBP算子進(jìn)行特征提取然后進(jìn)行識(shí)別計(jì)算的話，很可能會(huì)因?yàn)槲恢玫钠茝亩a(chǎn)生很大的誤差。后來人們將一幅劃分為相同大小的若干個(gè)小塊，我們稱之為子區(qū)域，然后使用LBP算子對(duì)子區(qū)域挨個(gè)提取其特征，然后畫出對(duì)應(yīng)的LBP特征直方域，而這一個(gè)一個(gè)的直方圖組成一整幅。舉個(gè)例子：一幅200×200像素大小的，將它劃分為400個(gè)子區(qū)域，然后使用LBP算子對(duì)每個(gè)子區(qū)域內(nèi)的所有像素點(diǎn)都進(jìn)行特征提取，然后建立統(tǒng)計(jì)直方圖。這樣我們400個(gè)統(tǒng)計(jì)直方圖，而利變性而且能夠在圖像中檢測出關(guān)鍵點(diǎn)。SIFT是一種局部描述子。該算法的思想是先求一幅圖中的特征點(diǎn)和有關(guān)scale和orientation的描述子所得到的特征，然后進(jìn)行圖像特SIFT不變性和旋轉(zhuǎn)不變性的點(diǎn)關(guān)鍵點(diǎn)定位。在每一個(gè)候選的位置上，依據(jù)關(guān)鍵點(diǎn)的穩(wěn)定程度，通過一個(gè)擬合模型來確定尺度和位置，從而選擇關(guān)鍵點(diǎn)的位置。方向確定。分配給每個(gè)關(guān)鍵點(diǎn)位置一個(gè)或多個(gè)方向，其依據(jù)是局部圖像的梯度方向。之后的圖像數(shù)據(jù)的操作都是相對(duì)于每個(gè)關(guān)鍵點(diǎn)的方向、尺度和位置的變換，從而保證對(duì)于變換的不變性。關(guān)鍵點(diǎn)描述。用一個(gè)特征向量來表示每個(gè)關(guān)鍵點(diǎn)的領(lǐng)域內(nèi)測量出的圖像局部的梯度。我們通常以計(jì)算可關(guān)鍵點(diǎn)周圍16×16函數(shù)降低遠(yuǎn)離中心點(diǎn)的權(quán)重。這樣就可以對(duì)每個(gè)特征形成一個(gè)128維的描述子，每一維都可以表示4×4個(gè)格子中一個(gè)的scale/orientation描述子.將這個(gè)向量歸一化之后，就能3.2SIFTGabor 函數(shù)是一個(gè)用于邊緣提取的線性濾波是圖像處理中一種常用的技術(shù)。通過研究發(fā)現(xiàn)Gabor濾波器在紋理表達(dá)和分離方面具有很好的表現(xiàn)。一個(gè)二維Gabor濾Gabor濾波器的脈沖響應(yīng)其實(shí)就是一個(gè)正弦波與高斯函數(shù)的乘積。由于卷積的性質(zhì)，調(diào)和函數(shù)的變換和高斯函數(shù)變換的得到的卷積就是Gabor濾波器的脈沖響應(yīng)的變換。對(duì)于圖像特征提取來說，采用頻率和方向都不相同的Gabor函數(shù)數(shù)組二維Gabor函數(shù)的數(shù)學(xué)表達(dá)如公式‘2+γ2gx，y；λ，θ，ψ，σ，γ=exp?（? ）exp?（i（2πx‘+ψ）（3.1）2σ x’=xcosθ+ysinθ,y’=-xsinθ+ycos公式中波長??的值是像素，大于等于2，但過輸入圖像尺寸的五分之一；方向??的大小為0到360的范圍是從180度到180??也叫做空間比，它是決定Gabor函數(shù)形狀的橢圓率。當(dāng)γ=1時(shí)，其形狀是圓形。當(dāng)γ<1時(shí)，其形狀會(huì)隨著平行條紋的方向拉長。通常情況下長寬比的值為05。因?yàn)榧y理由位置中的空間灰度分布的周期性形成，因此相隔一定距離的一些像素點(diǎn)像的研究，我們就可以對(duì)圖像的灰度空間紋理進(jìn)行描述。我們通過計(jì)算兩個(gè)灰度值在圖像中相鄰的次數(shù)可以得到的圖像的灰度共生矩陣GLCM。GLCM中的每一個(gè)元素（x,y）代表兩個(gè)灰度在圖像中水平相鄰的次數(shù)。因?yàn)樵谇笕D像的GLCM區(qū)間的過程中使用動(dòng)態(tài)方法的成本很高，所以我們選擇將圖像的灰度值圖3.3向我們展示了如何求解灰度共生矩陣，其中GLCM（1，1）值為1是因?yàn)镮中只有一對(duì)灰度為1的像素水平相鄰；而GLCM（1，2）值為2，是因?yàn)樵谧髨D中有兩對(duì)灰度為1和2的像素水平相鄰。3.3灰度共生矩陣求解示獨(dú)立分量分析是上世紀(jì)九十年代才逐漸發(fā)展起來的一種信號(hào)處理技術(shù)。基本的ICA是指從講源信號(hào)分離技術(shù)，也就是把源信號(hào)從復(fù)雜信號(hào)中分離出來。ICA是伴隨著盲信ICA ICA的算法的不同點(diǎn)主要體現(xiàn)在兩個(gè)方面，其ICA算是A的形狀特征提取的便捷性大大提高。下面是幾種典型的形狀特征描述方法：邊界特征法。該方法通過對(duì)邊界特征進(jìn)行描述從而得到圖像的形狀參數(shù)，其傅里葉形狀描述符法。這種方法的關(guān)鍵之處在于如何將二維問題轉(zhuǎn)化成一個(gè)一維問題。通常使用的方法是對(duì)邊界點(diǎn)(包括曲率函數(shù)、質(zhì)心距離、復(fù)坐標(biāo)函數(shù))幾何參數(shù)法。我們采用十分簡單的區(qū)域特征描述方法來進(jìn)行形狀的識(shí)別和基于LBP上文中簡要介紹了幾種不同的紋理特征提取方法，其中LBP算法具有速度快、容易實(shí)現(xiàn)的特點(diǎn)，所以本文采用LBP算子作為手背靜脈紋理特征提取方法。LBP是一種用來描述圖像局部紋理特征的算子，與其他算法相比，它有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)。它是首T.Ojala,M.Pietik?inen和D.Harwood1994年提出并將其應(yīng)用于紋理特征提取。而且，提取的特征是圖像的局部的紋理特征。在最初的LBP算法被提出后，研究又不斷對(duì)其提出了改進(jìn)和優(yōu)化。如圖3.1所示，原始的LBP算子定義為在3×3的窗口內(nèi)，然后將窗口中心元素的置被標(biāo)記為1，否則為0。這樣得到的二進(jìn)制序列為00111010，所以該像素點(diǎn)被分配的值為它所對(duì)應(yīng)的十進(jìn)制數(shù)58。最初的LP算子的缺點(diǎn)在于它所覆蓋的區(qū)域是一個(gè)固定半徑大小的區(qū)域，這在處時(shí)的究對(duì)BP算法進(jìn)行了優(yōu)化，將原來的鄰域形狀由正方形變成了圓形，適應(yīng)性更好；同時(shí)還對(duì)鄰域半徑的大小做了改變，使其可以描述任意大小的區(qū)域。從而得到了如圖34所示的各個(gè)不同的算子。3.4幾種不同的LBP通過上面的描述我們可以看到通過 算子我們可以在每個(gè)像素點(diǎn)都得到一LBP編碼，所以說當(dāng)對(duì)一幅圖像提取了LBP算子之后，其特征組合起來還是一幅（3.5所示3.5原始圖像與LBP對(duì)于一個(gè)LBP算子來說，可以多種產(chǎn)生許多種二進(jìn)制模式。對(duì)于半徑R，鄰P個(gè)點(diǎn)的區(qū)域來說，可見隨著鄰域集內(nèi)采樣P的增加，二進(jìn)制模式的種類是指數(shù)形式LBP特征模式進(jìn)行降維處理，使得模式數(shù)量減少的同時(shí)能夠包含的圖像的信息。為了提高LBP的統(tǒng)計(jì)性同時(shí)解決二進(jìn)制模式過多的問題，Ojala等人提出了采用一種“統(tǒng)一模式”（UniformPattern）來對(duì)LBP算子進(jìn)行降維的方式。通過對(duì)大量的統(tǒng)計(jì)結(jié)果顯示，大部分的之中只會(huì)包含不超過兩次的跳變，所謂跳變指的是從0 1或從1到0的變化。按照這個(gè)觀點(diǎn)，Ojala將“統(tǒng)一”定義為當(dāng)某個(gè)LBP特征的跳變次數(shù)最多有兩次時(shí)，該LBP所對(duì)應(yīng)的二進(jìn)制就稱為統(tǒng)一類。如00000000（0次跳變，001（一次跳變，1001（兩次跳變）都是統(tǒng)一類。而除了統(tǒng)一類以外的模式都稱之為稱為混合模式類，例如1001011（六次跳變。在區(qū)分了統(tǒng)一模式和混合模式之后，模式的數(shù)量能得到很大程度上的縮減且包含了圖像所有的特征，變?yōu)镻(P1)+2種（其中P為采樣點(diǎn)數(shù)LBP特征的維數(shù)，為之后的識(shí)別計(jì)算提供了如果以上得到的LBP值直接用于手背靜脈識(shí)別，其實(shí)跟沒有LBP算子提取誤差，同時(shí)也對(duì)LBP特征向量做了降維處理。得到的直方圖特征，有多種方法可以判別其相似性，由于P特征為向量表示，所以多用兩個(gè)向量距離的遠(yuǎn)近來辨別相似度的大小。計(jì)算距離的方法有很多，如余弦距（見公式32，假設(shè)已知手背靜脈直方圖為X，待匹配手背靜脈直方圖為Y SX,Y xi 在這之前，我們先要對(duì)二值圖像進(jìn)行細(xì)化，細(xì)化的同時(shí)不但要保證所有線條均為1像素寬，還要保證骨架線條的可連接性，不能出現(xiàn)斷裂。本次實(shí)驗(yàn)主要采用Hltcs算的1像素寬并進(jìn)行一些去噪處理后，就能得到需要的骨骼圖像。由于手背靜脈骨骼圖像全是由0、1兩種值組成的，所以當(dāng)使用LBP算法時(shí)很長容易產(chǎn)生，所以本文采用另一種編碼方式，二值編碼，簡稱BC（BinaryCoding。與LBP不同的是，由于骨骼圖像本身只有兩種值，用中心點(diǎn)比較會(huì)產(chǎn)生，所以直接用鄰居點(diǎn)本身的值進(jìn)行編碼（3.6。得到二進(jìn)制序列轉(zhuǎn)化為十進(jìn)21，所以就213.6BC由于二值編碼的過程中并沒有引入中心點(diǎn)進(jìn)行比較，而是將鄰居點(diǎn)的信息賦予了中心點(diǎn)，所以這并不是BP一樣的紋理特征提取方式，而是一種形狀特征提取方式。本章對(duì)當(dāng)前熱門的特征提取技術(shù)和匹配技術(shù)進(jìn)行了介紹，重點(diǎn)介紹了本文采取的基于紋理特征提取的局部二值模式以及基于形狀特征提取的二值化編碼這兩種方法，并提出了相關(guān)使用方法。手背靜脈特征融感器可能產(chǎn)生的冗余和信息，使得得到的目標(biāo)信息各家完善。特征級(jí)融合。該方法是先對(duì)用不同的提取方法對(duì)同一幅圖像提取多種特征，含的信息。由于本LBP和二值編碼兩種特征提取方式得到的特征向量數(shù)據(jù)的特性，本文選擇得到的信息進(jìn)行特征提取，然后對(duì)提取到的這些特息進(jìn)行一些加減乘除的融合然后本文所采用的 過LP算法得到手背靜脈圖像的特征向量，后通過二值編碼從手背靜脈骨骼圖像中提取出其特征向量，將兩個(gè)向量拼接在一起得到過動(dòng)的方在 通過驗(yàn)得恰當(dāng)1然后之后我們按照公式(4.1)進(jìn)行匹配分?jǐn)?shù)計(jì)算得到最終的匹配分?jǐn)?shù)。Si=γ1Sa×(1?γ1)Sb 其中Sa、Sb為 本章通過對(duì)進(jìn)行紋理信息和形狀信息融合的意義的分析，以及對(duì)常用的四種不同的融合策略（傳感器級(jí)融合、特征級(jí)融合、匹配分?jǐn)?shù)級(jí)融合和決策級(jí)融合的介紹，分析提出了本文所采用的手背靜脈融合策略。然后著重介紹了本文兩種策略是如何實(shí)現(xiàn)完成其功能的。實(shí)驗(yàn)步驟與結(jié)果分LBP本節(jié)實(shí)驗(yàn)利用3.2節(jié)中所提到的LBP算法提取手背靜脈圖像的紋理特息。在實(shí)驗(yàn)中，數(shù)據(jù)庫里102個(gè)人每人左右手各10張的手背靜脈圖像按左右手分隔開。1055張用來做測試樣本，所以一共是510個(gè)訓(xùn)練樣本，510個(gè)測試樣本。按 ROI按照3.2節(jié)中LBP算法利用不同的LBP算子提取圖像的特征向量計(jì)算訓(xùn)練樣本和測試樣本各自的LBP特征向量之間的卡方距離，選取距離實(shí)驗(yàn)結(jié)果如表4.1和表4.2所示，通過實(shí)驗(yàn)結(jié)果我們可以發(fā)現(xiàn)在LBP中使用鄰域半4.1左手手背靜脈利用LBP提取特征向量后的匹配結(jié)LBP算4.2右手手背靜脈利用LBP提取特征向量后的匹配結(jié)LBP算1張，2張，3張，4張，5張靜脈圖像作為訓(xùn)練樣本的情況下，對(duì)得到的識(shí)別率進(jìn)行比較（41，從而了解到訓(xùn)練4.1本節(jié)實(shí)驗(yàn)利用3.3節(jié)中所提到的二值編碼特征提取手背靜脈圖像的形狀特息。105個(gè)作為訓(xùn)練樣本，5通過2.3按照3.3節(jié)中二值編碼方法對(duì)所有骨骼圖像進(jìn)行二值編碼將每個(gè)測試樣本得到的二值編碼特征向量與訓(xùn)練樣本得到的二值編碼特征向量進(jìn)行計(jì)算，得到卡方距離，選取距離最近的樣本完成匹配。實(shí)驗(yàn)中，本文通過對(duì)不同分塊下的二值編碼識(shí)別率進(jìn)行計(jì)算，得到了如表4.3的結(jié)果，可以看到在分塊數(shù)為64的時(shí)候得到最高識(shí)別率95.88%，稍微低于上節(jié)實(shí)驗(yàn)中得到的LBP識(shí)別率。表4.3不同分塊下的二值編碼識(shí)按照上一章中4.2節(jié)特征級(jí)融合策略，具體實(shí)驗(yàn)步驟如下分別采用LBPLBP特將每副圖的LBP特征向量和二值編碼特征向量連在一起組合成新的特征向4.4給出了融合后的識(shí)別率與單獨(dú)使用兩種特征向量的識(shí)別率對(duì)比，可以看到融4.4LBP按照4.3節(jié)所匹配分?jǐn)?shù)級(jí)融合策略，具體實(shí)驗(yàn)步驟如下提取所有樣本的LBP計(jì)算測試樣本與樣本的LBP特征和二值編碼特征各自的卡方距離表4.5給出了融合識(shí)別和基于SIFT算法的運(yùn)行時(shí)間對(duì)比，可以看到融合兩種特征4.5隨著信息科學(xué)技術(shù)的日益發(fā)展，人們對(duì)于的要求也越來越高。一些傳統(tǒng)的身份識(shí)別方法已經(jīng)人們?nèi)找嬖鲩L的需求，而手背靜脈識(shí)別是一種新興的紅外生物識(shí)別技術(shù)，由于它的安全性、性、識(shí)別精度等方面的優(yōu)異表現(xiàn)在生物識(shí)別領(lǐng)域占據(jù)了重要的地位。在手背靜脈識(shí)別領(lǐng)域，有基于形狀特征進(jìn)行匹配的，也有基于紋征進(jìn)行匹配的，但是很少有基于兩者融合的匹配算法。而由于兩種特征是從不同角度描述靜脈圖像第一，采用高斯濾波器、中值濾波器和ROI提取的進(jìn)行預(yù)處理，得到了效第二，在紋理特征提取的實(shí)驗(yàn)中，利用局部二值模式來完成實(shí)驗(yàn)，并且通過多次實(shí)驗(yàn)得到了不同數(shù)量的樣本會(huì)對(duì)最終的結(jié)果產(chǎn)生影響的結(jié)論；而BP的二值編碼方法來進(jìn)行靜脈特征的提取。實(shí)驗(yàn)表明用這種方法也能得到非常高的識(shí)第三，本文提出了兩種融合策略，分別為特征級(jí)融合策略和匹配分?jǐn)?shù)級(jí)融合策BP和二值編碼分別提取的是靜脈圖像的形狀特征和紋理特征，而將兩者融合起來可以得到更加豐富的圖像特息。實(shí)驗(yàn)結(jié)果也表明在融合之后的識(shí)別率有了不錯(cuò)的提升。由于在圖像的過程中，用戶手勢方向有時(shí)會(huì)有變化，有些原始圖像本文僅采用了兩種不同的特征提取方法來進(jìn)行融合，今后可以考慮加入新的本文采用的是分塊LBP算法，該算法提取的特征不夠完整，不能全面地表達(dá)出手背靜脈局部特征，因此之后可以對(duì)現(xiàn)有LBP算法進(jìn)行改進(jìn)，來改善致首先十分感謝指導(dǎo)教師黃迪。黃老師以淵博的理論知識(shí)和對(duì)技術(shù)方向的洞察力，平易近人的性格，使我在這次畢業(yè)設(shè)計(jì)中收獲了很多。黃老師對(duì)幫助以及對(duì)事業(yè)鍥而不舍的執(zhí)著追求將會(huì)一直影響著我之后的學(xué)習(xí)生活。感謝黃老師對(duì)我從選題到開題答辯、中期答辯以及最后實(shí)驗(yàn)的完成和修改等各個(gè)方面都給予的悉心指導(dǎo)。感謝答辯組的各位老師，老師、巢文涵老師、老師、吳壯志老師、郭，我。感謝章人可師姐，在算法工具的選擇和處理上給了我很多建議。感謝朋友們，對(duì)我耐心的幫助和指導(dǎo)，總是能點(diǎn)醒迷惑的我。感謝同一項(xiàng)目組的任澤乾和。在畢設(shè)過程中，無私的幫助與關(guān)心給與我和一起奮斗的動(dòng)力，我會(huì)非常珍惜和一起努力奮斗的日子。最后要感謝家人對(duì)支持和鼓勵(lì)，特別是父親和母親，的鼓勵(lì)是我努力拼搏的動(dòng)力，謝謝！參考文[1].多模態(tài)生物特征識(shí)別融合算法的研究[D].合肥：中國科學(xué)技術(shù)大學(xué),2008.[2]J.M.Cross.ThermographicImagingoftheSubcutaneousVascularNetworkoftheBackoftheHandforBiometricIdentification[A].SecurityTechnology,Proceedings,InstituteofElectricalandElectronicsEngineers29thAnnualInternationalCarnahanConference[C].IEEE,1995:20–35.[3]韓笑.手背靜脈識(shí)別算法研究[D].吉林：吉林大學(xué).2007:18-[4]余成波.生物特征識(shí)別技術(shù)：手指靜脈識(shí)別技術(shù)[M].： [5]Shimizu.OpticalTrans-bodyImaging:Feasibilityof invasionCTandFunctionalImagingofLivingBody[J].MedicinaPhilosophica,1992,11:620-629.[6]MKono,HUeki,SUmemura.Near-infraredFingerVeinPatternsfor Identification[J].AppliedOptics,2002,41(35):7429-7436.[7]SKIm,HSChoi,SWKim.ADirection-BasedVascularPatternExtractionAlgorithmforHandVascularPatternVerification[J].ETRIJournal,2003,25(2):101-