基于单幅近红外手掌图像的掌静脉和掌纹融合识别方法研究

发布时间：2018-03-29 03:01

本文选题：掌静脉　切入点：掌纹　出处：《安徽大学》2017年硕士论文

【摘要】：近几年国内外学者已经对手部多特征融合识别技术做了大量的研究,主要包括掌纹和手型融合识别,指纹、掌纹和手型融合识别,手背静脉和指关节融合识别,指静脉和指背部融合识别,指纹和指静脉融合识别,掌静脉和掌纹融合识别等等。其中掌静脉和掌纹的融合识别,成为近几年研究的方向。然而如何使用单幅图像,实现掌静脉和掌纹的多特征融合识别,现有的研究很少。本文使用香港理工大学公开的近红外手掌图像数据库,研究了在单幅近红外手掌图像中掌静脉和掌纹多特征融合识别方法,研究内容包括:单幅近红外手掌图像中掌静脉和掌纹结构图像的提取和增强方法、近红外手掌图像中掌静脉和掌纹的单特征识别方法、基于固定权值掌静脉和掌纹的多特征融合识别方法、基于图像质量自适应权值的掌静脉和掌纹多特征融合识别方法以及基于图像相似性系数自适应权值的掌静脉和掌纹多特征融合识别方法。具体如下:单幅近红外手掌图像中掌静脉结构图像和掌纹结构图像的提取和增强方法。单幅近红外手掌图像,同时包含有掌静脉结构和掌纹结构,由于掌静脉结构和掌纹结构在近红外手掌图像中的纹理有较大差异并且像素值分布范围也不同,因此可以分别提取和增强掌静脉结构图像和掌纹结构图像。本文利用改进的自引导滤波算法去除掌纹结构,并设计了反模糊细节增强模型增强掌静脉结构图像;提出了一种改进的分块增强算法增强掌纹信息结构且可去除掌静脉信息,然后使用基于Sobel算子反锐化掩模算法突出掌纹主线条结构信息。研究了近红外手掌图像中掌静脉和掌纹的单特征识别方法。使用小波分解的特征提取方法分别提取上述分离后的掌静脉结构图像和掌纹结构图像的特征,利用相似性系数实现识别分类。在利用改进的自引导滤波增强掌静脉结构图像时,两次滤波半径参数(r1,r2)为(2,16),细节增强参数t为5时,掌静脉的识别率为99.23%。在利用改进的分块增强算法增强掌纹图像时,当分块半径大小选取R为9,细节增强系数选取50时,掌纹的识别率为94.00%。研究了基于固定权值的掌静脉和掌纹的多特征融合识别方法。分别计算掌静脉和掌纹的识别阈值,对单幅近红外手掌图像的掌静脉和掌纹实现阈值加权的识别方法。在固定权值下,当掌静脉的识别阈值权值为0.6,掌纹为0.4时,此时掌静脉和掌纹的多特征融合识别率达到99.67%。提出了基于图像质量自适应权值的掌静脉和掌纹多特征融合识别方法。对掌静脉结构图像和掌纹结构图像,分别从边缘点/模糊点、高频信息/低频信息和图像平均对比度3个方面,评价掌静脉结构图像和掌纹结构图像。在此基础上提出了基于图像质量的自适应权值掌静脉和掌纹的多特征融合识别方法,识别率达到99.69%。提出了基于图像相似性系数的自适应权值掌静脉和掌纹多特征融合识别方法。图像之间的相似性系数越大,说明两幅图像属于同一类的置信度越高。研究表明掌静脉结构图像间的平均相似性系数要高于掌纹图像间平均相似系数。在此基础上提出了基于图像的相似性系数的自适应权值的掌静脉和掌纹多特征融合识别方法,识别率达到99.71%。
[Abstract]:This paper studies the recognition of palm vein and palmprint in single - width near - infrared palm images by using the improved self - guided filtering algorithm .

【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【参考文献】