基于LBP和多层次结构的异质手背静脉身份识别

针对多源异质的手背静脉异质图像的识别研究,提出了基于LBP和多层次结构的识别算法;首先对图像做适当的预处理,然后将LBP特征提取算法编码的手背静脉纹理特征图像作为多层次结构的输入,通过多层次结构的逐层由具体到抽象的特征提取,得到的特征具有更大的鲁棒性;最后该算法在多源异质的手背静脉图像库得到的识别率比传统的算法识别率高,达到96.57%;进一步表明该算法能够较好地解决由于多源异质问题对手背静脉识别所造成的识别率低的影响。     

基于特征点融合小波能量特征的手背静脉识别

手背静脉识别是生物识别领域的新兴课题,针对单一手背静脉识别方法在大量样本情况下正确识别率识较低的问题,提出了一种空间域特征融合小波域特征的识别方法,对预处理后的样本提取了空间域中的特征点以及在小波域中构造了小波能特征,并分别用改进的豪斯多夫距离以及加权城区距离进行度量,最后将两种方法进行加权融合,采用最近邻分类器进行识别;在具有100个样本的数据库上对该方法进行了测试,在最近邻分类阈值为9.46时识别率达到97.2%,表明了该方法的优越性.     

基于UDCT和三角形测量特征融合的手背静脉识别

提出了一种基于特征融合的手背静脉识别算法,首先对手背静脉图像感兴趣区域进行预处理,然后采用均衡离散曲率波变换对感兴趣区域进行变换,接着对变换系数进行相位编码,并计算编码统计直方图的卡方距离,当此距离与阈值相差较大时,得到识别结果;否则,对预处理后的图像提取静脉骨架,确定相关的特征点,通过三角测量法来计算匹配距离,对和采用加权平均法来获得最终的识别结果.该方法在识别时间没有明显增加的情况下,而识别的效果却得到了提高.     

基于多角度旋转积分图的手背静脉身份识别

随着生物特征识别技术水平的飞速发展,手背静脉识别也广泛运用于各个领域。由于采集终端硬件设备和采集环境的差异,会降低识别的准确性。针对手背静脉图像在亮度,旋转,尺寸等方面造成的影响,,提出了基于多角度旋转积分图的和离散余弦变换的手背静脉图像识别方法,并进行参数优化。本文结合梯度增强的静脉图像分割方法,选取最佳角度间隔做旋转积分运算,然后通过二维离散余弦变换(DCT)截取最佳特征矩阵用做分类识别,识别率超过99.9％。 实验通过对比其它传统算法对手背静脉图像的识别效果来验证本文特征提取方法的可行性和优越性。     

基于多图融合和改进Xception网络的跨设备手背静脉识别研究

手背静脉是一种新兴的生物特征识别技术,相比其他生物特征具有唯一性、防伪造性、稳定性和非接触性等明显优势;由于采集设备和采集环境的不同,手背静脉灰度图像存在亮度、角度旋转、尺度缩放等差异,识别率较低;由此提出一种基于多图融合和Xception网络的手背静脉识别算法;首先在图像预处理后分割得到二值纹理图,然后将二值图转换为距离图,再由二值图细化得到骨架图;最后融合二值图、距离图和骨架图,得到包含纹理特征和形状特征的三通道合并图;采用Xception结构作为分类网络,并将其激活函数ReLU改为非线性更强的h-swish激活函数;相关实验在由实验室自建的1库和2库两个数据库上进行,其中1库作为训练集,2库作为测试集,最高识别率达到93.54％.     

改进的手背静脉识别算法

提出了一种基于不变矩和支持向量机的手背静脉识别算法。算法在采用修正的NiBlack算法从原始图中分割出静脉纹路,然后采用改进的条件细化算法进行细化获得静脉骨架的基础上,提取静脉骨架的7个修正的几何不变矩作为支持向量机分类器的输入进行静脉分类识别,在有500个样本的数据库上进行实验,获得了95.5%的识别率,表明了算法的有效性。     

一种基于模板匹配的手指静脉识别算法

相对于指纹识别等传统生物特征识别手段,手指静脉识别是一种新兴的具有较好应用前景的生物特征识别技术。本文设计了具有自适应光源系统的手指静脉采集仪,能够自动获得亮度均匀的手指静脉图像;提出了一种基于模板匹配的手指静脉识别算法,采用基于多方向灰度谷底搜寻方法提取手指静脉特征,然后将从同一手指多个图像中提取的静脉特征合成模板,并通过门限阈值消除模板中的随机差异信息。实验结果表明,运用本研究提出的基于模板匹配的手指静脉识别算法能有效提高识别准确性,具有99.10%的识别准确率和1.03%的等错误率。     

基于Gabor相位编码的手背静脉识别算法

提出了一种基于Gabor相位编码的手背静脉识别算法.该算法主要分为两部分:一个是对手背静脉图片的预处理部分,包括滤波去噪和感兴趣区域(ROI)提取;另一个是静脉特征提取和匹配识别部分,该部分主要利用静脉图像的Gabor相位编码作为静脉识别的有效特征,同时利用海明距离实现特征匹配识别.该算法应用于自制的手背静脉图库,可达到100%的识别率和0%的误识率.结果表明,该算法是一种有效的生物特征识别方法.     

基于2DFLD的手背静脉识别算法

手背静脉识别技术采用非接触式,为了避免在采集图片时由于手背的旋转和平移给识别带来干扰,提出一种手背静脉有效区域的定位方法,在手背截取出一个包含静脉信息最多的矩形。该算法主要利用基于不变特征点的图像定位方法来寻找手背外侧边缘的特征点,然后定位分割出手背静脉有效区域的图像。实验证明该算法具有自适应性,定位准确,速度快。由于经典的Fisher线性判别算法类内散度矩阵通常会是奇异的,提出一种基于二维Fisher线性判别(2DFLD)的手背静脉识别方法。该方法直接进行图像矩阵投影,避免高维运算。对于手背静脉图像库,用2DFLD方法提取静脉特征空间,再将测试图像投影到该特征子空间上,最后用最近邻欧氏距离方法进行匹配。实验结果表明,该方法识别率达98%。     

基于特征融合的多模态身份识别方法研究

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。     

基于特征融合的手形匹配算法

手形识别是生物特征识别的重要组成部分,手形匹配是手形识别的关键。目前常用的方法有特征矢量法（CVM）和点匹配方法（PPM）两种,这两种方法在对手形进行匹配时各有优点,也有局限性。提出一种多特征融合的手形识别算法,使得两者能够有效的结合起来,提高了手形匹配的准确性和鲁棒性。     

基于直方图均衡化的手背静脉图像对比度增强

手背静脉图像对比度往往较低,这将影响整个手背静脉识别系统的识别准确率。首先提取手背静脉图像中的有效区域,然后利用直方图均衡化 (HE) 及其各种改进算法对提取的手背静脉图像进行对比度增强处理。实验结果表明,子块部分重叠局部直方图均衡化算法（POSHE）不但能够增强图像的整体对比度,而且图像中细节与背景之间的对比度也得到了增强,同时该算法效率较高,适合于手背静脉图像的对比度增强处理。     

基于稀疏编码的手背静脉识别算法

为提高静脉特征提取的有效性,提出了基于稀疏编码的手背静脉识别算法。首先,在图像采集过程中,依据实时的质量评价结果对采集系统参数进行自适应调整,获取高质量静脉图像;其次,针对主观选择的特征有效性主要依赖于经验的缺陷,提出了基于稀疏编码的特征学习机制,从而获得客观优质的静脉特征。实验结果表明,基于所提算法获得的静脉特征具有较好的类间区分性与类内紧凑性,令使用该算法的系统具有较高的识别率。     

基于小波分解和K2DPCA-2DLDA的手背静脉识别

提出了一种基于小波分解和二维主成分分析-二维线性判别式分析(K2DPCA-2DLDA)的手背静脉识别方法,选用db4小波基对原图进行小波分解。对其低频子图进行K2DPCA映射获得低维空间特征,通过对此低维空间特征进行2DLDA变换得到最终特征表达,利用最近邻法则进行了分类。实验结果表明,该方法能提高手背静脉识别率,有效减少识别时间。     

用于手势识别的时空融合网络以及虚拟签名系统

由于新型冠状病毒的流行,非接触式个人签名可以在一定程度上降低感染的风险,其将在人们日常的生活中发挥重要作用。因此,提出了一种简单而有效的时空融合网络来实现基于骨架的动态手势识别,并以此为基础开发了一款虚拟签名系统。时空融合网络主要由基于注意力机制的时空融合模块构成,其核心思想是以增量的方式同步实现时空特征的提取与融合。该网络采用不同编码的时空特征作为输入,并在实际应用中采用双滑动窗口机制来进行后处理,从而确保结果更加的稳定与鲁棒。在2个基准数据集上的大量对比实验表明,该方法优于最先进的单流网络方法。另外,虚拟签名系统在一个普通的RGB相机下表现优异,不仅大大降低了交互系统的复杂性,还提供了一种更为便捷、安全的个人签名方式。     

手背静脉的分割和平滑细化

静脉识别技术是一种新兴的非接触式红外生物特征识别技术,从原始图中分割出静脉纹路并细化成变形较小的静脉骨架,对提高识别的成功率非常重要。在现有算法研究和实验分析的基础上,提出了一种分割、平滑细化和毛刺修剪算法,算法对归一化的静脉图像首先采用高斯低通滤波、中值滤波处理,有效地去除了斑点噪声和水平条状扫描噪声,然后用修正的NiBlack局部动态阈值法和面积阈值法分割出静脉,接着对其进行形态学开操作、闭操作及中值滤波以平滑边缘,最后通过条件细化和毛刺修剪得到了失真较小的静脉骨架,获得了良好的分割和细化结果。     

基于双目视觉的人手定位与手势识别系统研究

提出了一种新的人手特征点提取方法,该方法将人手的质心作为匹配点,根据双目视觉定位数学模型计算目标位置信息,同时通过图像分割获取人手轮廓,利用轮廓凸包点特征来识别不同手势.在此基础上,研究设计了一种光学人手定位与手势识别系统,该系统在实时定位空间人手三维位置的同时,能够识别出相应的手势,可将其作为虚拟手的驱动接口,实现对虚拟物体的抓取、移动和释放操作.     

基于自适应融合的手掌静脉增强方法

针对掌脉轮廓不清晰，图像对比度低、亮度低，进而导致识别性能降低的现象，提出一种自适应融合的手掌静脉增强方法。首先，基于暗原色先验（DCP）去雾算法，根据掌脉图像变异系数自适应选择去雾系数，得到DCP增强图像，并且基于部分子块重叠直方图均衡（POSHE）算法得到POSHE增强图像；然后，将图像分为16个子块，依据图像灰度均值与标准差确定各子块权重；最后，根据各子块权重对DCP和POSHE增强图像进行自适应融合，得到最终增强图像。该方法既保留了DCP算法在增强图像对比度和亮度的同时不引入明显噪声的优点，又保留了POSHE算法在增强图像对比度和亮度的同时不损失局部细节的特点；同时，两者的自适应融合既解决了DCP图像阴影部分掌脉缺失现象，又削弱了POSHE产生的块效应。在对两个公开库和自建库分别进行的实验中，三个数据库的等错误率分别为0.0004、0.0472、0.0579，识别率分别为99.98%、94.27%、92.05%。实验结果表明，与现有的图像增强方法相比，该方法降低了等错误率，提高了识别精度。     

基于手势识别的人机交互发展研究

近年来手势识别技术的快速发展,基于手势识别技术的人机交互应用系统的建立使得人机交互的发展前景广阔.从手形、手势和手形手势的建模出发,介绍了模板匹配、特征提取、神经网络和隐马尔可夫模型4种手势识别的方法,并且综述了基于手势识别技术人机交互的发展,详细介绍了3类人机交互系统：漫游型系统、编辑型系统和操作型系统.