手指静脉图像质量评估及其识别算法研究

发布时间：2021-08-13 03:12

　　近年来,手指静脉识别作为新兴的生物特征识别技术之一,受到越来越多研究者的关注。采集阶段可能产生的一些低质量图像将严重影响后续的特征提取和匹配,因此采集图像后对其进行质量评估以便剔除低质量图像十分必要。传统的手指静脉质量评估方法存在手动设计特征困难、静脉点检测过程复杂等问题,也有少数研究学者将卷积神经网络（Convolutional Neural Network,CNN）用于手指静脉质量评估,但是这些方法仍存在一些不足比如图像标签标注不准确、基于单一静脉形式学习到的特征表达能力有限等。另外,以往进行手指静脉识别时大多依赖手动设计的特征,但在实际应用中,该特征容易受环境光照、手指姿态变化等影响。CNN具有强大的特征表达能力,目前基于CNN的手指静脉识别系统已经取得了不错的效果,但是它们往往采用复杂的网络结构或分步处理过程,无法应用于计算能力有限、内存较小的硬件平台以及实现端到端的识别过程。对此,本文做了如下工作:（1）基于Light-CNN的手指静脉图像质量评估方法。首先,通过统计手指静脉点数来对图像进行自动标注;其次,将图像切分成图像块以扩大训练集,以图像块而非整幅图像作为CNN的输入;... 

【文章来源】：五邑大学广东省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

(a)列为高质量手指静脉图像、(b)列为低质量手指静脉图像

SDUMLA-HMT仅仅提供了原始的手指静脉图像，具体使用时还需根据图像自身的特点提取ROI区域。对于该数据集，本文利用ROI提取算法获得了相应的ROI区域图像并将尺寸归一化为128 60，如图2-1中的(b)所示。(a) MMCBNU_6000 数据集 (b) SDUMLA-HMT 数据集图 2-1 数据集中的原始图像及其对应的 ROI 图像Fig.2-1 The original images and corresponding ROI images in the datasets2.4 提取手指静脉 ROI 图像对于原始的手指静脉图像，我们需要提取稳定的手指静脉感兴趣区域作为后续识别的基础，此处称为ROI提取[45-48]。如前所述，MMCBNU_6000已经提供了ROI图像，我们只需要对SDUMLA-HMT进行ROI提取，采用的ROI提取方法具体的流程图如图2-2所示，主要包括以下步骤：（1）检测手指边缘；（2）根据边缘图像完成基于手指中线的图像倾斜检测及校正；（3）根据手指两边界的内切边来确定感兴趣区域的高度；（4）根据手指关节位置来确定感兴趣区域的宽度。如图2-3所示，具体地，我们先使用边缘检测算法检测出手指的上下边界，如图(b)所示；然后

纹路增强、纹路分割等处理过程。具体地，首先，将手指静脉图像灰度值归一化至[0,255]如公12 1( , )( , ) 255f i j Gf i jG G′ = × 式中，f ′( i , j)表示原始ROI图像的灰度值，f (i , j )为归一化后的R1G 表示原始ROI图像的最小灰度值，2G 表示原始ROI图像的最大其次，基于方向谷形检测、Gabor滤波[50]、主曲率滤波[49]是常路增强方法。文献[16]对这三种增强方式进行了对比，如图 2-4 所看到基于方向谷形检测和Gabor滤波来增强ROI图像后再对其进行图像可以获得较清晰、较完整的静脉纹路，而利用主曲率滤波进产生的二值图像获得的静脉纹路比较离散、出现了很多不连续的增强图 二值图基


本文编号：3339628