基于自适应融合图像增强和深度学习的手掌静脉识别研究
发布时间：2021-10-13 07:37
随着21世纪的到来,人们的安全意识极大提高,传统身份识别鉴定方法难以满足当前的社会需要。生物特征（包括显性和隐性特征）识别是依据人的生理或行为特征来识别鉴定,其普遍性、唯一性、稳定性更好。隐性生物特征较显性生物特征具有不可仿制和伪造等特点,更安全可靠。手掌静脉是体内生物特征,活体特质,无法伪造和复制,属于隐性特征。比掌纹、指纹、人脸等显性特征安全性高,比声音、步态稳定性好,比虹膜更易采集。因此,手掌静脉识别逐渐发展为此领域的焦点。手掌静脉识别安全可控性高,但其皮内特性使图像采集质量较低。需在预处理阶段进行更有效的图像增强,并采取更先进的技术进行图像识别。本文即针对掌脉识别,深入研究并提出基于自适应融合的手掌静脉图像增强方法,同时基于深度学习提出一种较为先进的手掌静脉识别方法。一、基于自适应融合的图像增强方法:根据图像评价指标,判定不同图像增强方法的优劣势,以自适应方式设置不同增强图像的融合权重,达到不同增强方法优劣互补的效果。针对手掌静脉图像,作为自适应融合图像增强案例,本文列举了两种不同的自适应融合图像增强方法,采用了两种不同的自适应融合策略。（1）基于POSHE和DCP自适应融合的...
【文章来源】：南方医科大学广东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－３手掌静脉图像采集装置??Ｆｉｇ．２－３?Ｐａｌｍ?ｖｅｉｎ?ｉｍａｇｅ?ａｃｑｕｉｓｉｔｉｏｎ?ｄｅｖｉｃｅ??７??
?第三章基于自适应融合的手掌静脉图像增强???０．３５?－?｜?．?ＣＡＳＩＡ?１－???ＰｏｌｙＵ?Ｉ??１?｜?？?自建库?｜??０?２００?４００?６００?８００?１０００?１２００??２００芡??图３－４各图像的变异系数??Ｆｉｇ．３－４?Ｖａｒｉａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｅａｃｈ?ｉｍａｇｅ??根据公式（３－６），自适应选取ＤＣＰ中的《，既能满足不同图像对去雾程度的??要求，又简化了《的复杂调参过程。既节省时间，又提高了去雾的准确性。以??ＣＡＳＩＡ图像为例验证自适应ＤＣＰ的准确性，图３－５为只进行ＤＣＰ增强时，《取??不同值时的ＥＥＲ。可见，自适应选榷时，ＥＥＲ［６１］（曲线与直线交点）最低。表??明自适应ＤＣＰ更适用于掌脉图像的增强，去雾准确性更高，增强效果更好。??０．２?ｒｖ?＜?＞?＇?＇?■丨＇?＇??＼?—＊—ｃｏ＝ｂ／ａ???ｘ＝ｙ??。＋１８?獻?二丨??／?—－—１〇＝０．６??０．１４?－?Ｚ?一＝〇？？［??Ｌ．??Ｃ?０Ｂ?－??ＩＸ?．?Ｊ??０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??ＦＡＲ??图３－５?ｃｕ不同取值时的ＥＥＲ??Ｆｉｇ．３－５?ＥＥＲ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｖａｌｕｅｓ?ｏｆ？??３．?３．?５自适应融合??结合不同算法的增强图像，图像的评价指标…均值和标准差，会直接影响增??２０??
?第三章基于自适应融合的手掌静脉图像增强???０．３５?－?｜?．?ＣＡＳＩＡ?１－???ＰｏｌｙＵ?Ｉ??１?｜?？?自建库?｜??０?２００?４００?６００?８００?１０００?１２００??２００芡??图３－４各图像的变异系数??Ｆｉｇ．３－４?Ｖａｒｉａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｅａｃｈ?ｉｍａｇｅ??根据公式（３－６），自适应选取ＤＣＰ中的《，既能满足不同图像对去雾程度的??要求，又简化了《的复杂调参过程。既节省时间，又提高了去雾的准确性。以??ＣＡＳＩＡ图像为例验证自适应ＤＣＰ的准确性，图３－５为只进行ＤＣＰ增强时，《取??不同值时的ＥＥＲ。可见，自适应选榷时，ＥＥＲ［６１］（曲线与直线交点）最低。表??明自适应ＤＣＰ更适用于掌脉图像的增强，去雾准确性更高，增强效果更好。??０．２?ｒｖ?＜?＞?＇?＇?■丨＇?＇??＼?—＊—ｃｏ＝ｂ／ａ???ｘ＝ｙ??。＋１８?獻?二丨??／?—－—１〇＝０．６??０．１４?－?Ｚ?一＝〇？？［??Ｌ．??Ｃ?０Ｂ?－??ＩＸ?．?Ｊ??０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??ＦＡＲ??图３－５?ｃｕ不同取值时的ＥＥＲ??Ｆｉｇ．３－５?ＥＥＲ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｖａｌｕｅｓ?ｏｆ？??３．?３．?５自适应融合??结合不同算法的增强图像，图像的评价指标…均值和标准差，会直接影响增??２０??
【参考文献】：
期刊论文
[1]基于改进AlexNet卷积神经网络的手掌静脉识别算法研究[J]. 林坤,雷印杰. 现代电子技术. 2020(07)
[2]基于改进深度残差网络的计算断层扫描图像分类算法[J]. 黄盛,李菲菲,陈虬. 光学学报. 2020(03)
[3]基于Hessian矩阵和Gabor滤波的手指静脉特征提取[J]. 杨如民,许琳英,余成波. 兵器装备工程学报. 2019(03)
[4]手掌静脉识别:基于端到端卷积神经网络方法[J]. 杜东阳,路利军,符瑞阳,袁丽莎,陈武凡,刘娅琴. 南方医科大学学报. 2019(02)
[5]结合深度神经网络和随机森林的手掌静脉分类[J]. 袁丽莎,娄梦莹,刘娅琴,杨丰,黄靖. 激光与光电子学进展. 2019(10)
[6]改进的单幅近红外掌纹掌静脉图像融合识别[J]. 江晓龙,王华彬,王东旭,朱颜,陶亮. 计算机应用研究. 2019(06)
[7]基于灰度不均匀矫正和SIFT的手指静脉识别方法[J]. 孟宪静,袭肖明,杨璐,尹义龙. 南京大学学报(自然科学). 2018(01)
[8]基于散射卷积网络的手指静脉识别方法研究[J]. 陈朋,姜立,王海霞,陈培. 浙江工业大学学报. 2018(01)
[9]基于Gabor小波和NBP算法的手掌静脉识别[J]. 林森,徐天扬,王颖. 激光与光电子学进展. 2017(05)
[10]基于Zedboard的掌静脉采集认证系统设计[J]. 陈腾蛟,刘娅琴,叶林锋,杨丰. 电子技术应用. 2016(02)
博士论文
[1]掌静脉身份识别技术的理论与实验研究[D]. 李强.华中科技大学 2010
硕士论文
[1]非接触式多光谱掌静脉识别系统设计[D]. 陶静静.安徽理工大学 2019
[2]高清手掌静脉图像的获取与预处理方法研究[D]. 蓝晓柯.浙江工业大学 2015
本文编号：3434232
【文章来源】：南方医科大学广东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－３手掌静脉图像采集装置??Ｆｉｇ．２－３?Ｐａｌｍ?ｖｅｉｎ?ｉｍａｇｅ?ａｃｑｕｉｓｉｔｉｏｎ?ｄｅｖｉｃｅ??７??
?第三章基于自适应融合的手掌静脉图像增强???０．３５?－?｜?．?ＣＡＳＩＡ?１－???ＰｏｌｙＵ?Ｉ??１?｜?？?自建库?｜??０?２００?４００?６００?８００?１０００?１２００??２００芡??图３－４各图像的变异系数??Ｆｉｇ．３－４?Ｖａｒｉａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｅａｃｈ?ｉｍａｇｅ??根据公式（３－６），自适应选取ＤＣＰ中的《，既能满足不同图像对去雾程度的??要求，又简化了《的复杂调参过程。既节省时间，又提高了去雾的准确性。以??ＣＡＳＩＡ图像为例验证自适应ＤＣＰ的准确性，图３－５为只进行ＤＣＰ增强时，《取??不同值时的ＥＥＲ。可见，自适应选榷时，ＥＥＲ［６１］（曲线与直线交点）最低。表??明自适应ＤＣＰ更适用于掌脉图像的增强，去雾准确性更高，增强效果更好。??０．２?ｒｖ?＜?＞?＇?＇?■丨＇?＇??＼?—＊—ｃｏ＝ｂ／ａ???ｘ＝ｙ??。＋１８?獻?二丨??／?—－—１〇＝０．６??０．１４?－?Ｚ?一＝〇？？［??Ｌ．??Ｃ?０Ｂ?－??ＩＸ?．?Ｊ??０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??ＦＡＲ??图３－５?ｃｕ不同取值时的ＥＥＲ??Ｆｉｇ．３－５?ＥＥＲ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｖａｌｕｅｓ?ｏｆ？??３．?３．?５自适应融合??结合不同算法的增强图像，图像的评价指标…均值和标准差，会直接影响增??２０??
?第三章基于自适应融合的手掌静脉图像增强???０．３５?－?｜?．?ＣＡＳＩＡ?１－???ＰｏｌｙＵ?Ｉ??１?｜?？?自建库?｜??０?２００?４００?６００?８００?１０００?１２００??２００芡??图３－４各图像的变异系数??Ｆｉｇ．３－４?Ｖａｒｉａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｅａｃｈ?ｉｍａｇｅ??根据公式（３－６），自适应选取ＤＣＰ中的《，既能满足不同图像对去雾程度的??要求，又简化了《的复杂调参过程。既节省时间，又提高了去雾的准确性。以??ＣＡＳＩＡ图像为例验证自适应ＤＣＰ的准确性，图３－５为只进行ＤＣＰ增强时，《取??不同值时的ＥＥＲ。可见，自适应选榷时，ＥＥＲ［６１］（曲线与直线交点）最低。表??明自适应ＤＣＰ更适用于掌脉图像的增强，去雾准确性更高，增强效果更好。??０．２?ｒｖ?＜?＞?＇?＇?■丨＇?＇??＼?—＊—ｃｏ＝ｂ／ａ???ｘ＝ｙ??。＋１８?獻?二丨??／?—－—１〇＝０．６??０．１４?－?Ｚ?一＝〇？？［??Ｌ．??Ｃ?０Ｂ?－??ＩＸ?．?Ｊ??０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??ＦＡＲ??图３－５?ｃｕ不同取值时的ＥＥＲ??Ｆｉｇ．３－５?ＥＥＲ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｖａｌｕｅｓ?ｏｆ？??３．?３．?５自适应融合??结合不同算法的增强图像，图像的评价指标…均值和标准差，会直接影响增??２０??
【参考文献】：
期刊论文
[1]基于改进AlexNet卷积神经网络的手掌静脉识别算法研究[J]. 林坤,雷印杰. 现代电子技术. 2020(07)
[2]基于改进深度残差网络的计算断层扫描图像分类算法[J]. 黄盛,李菲菲,陈虬. 光学学报. 2020(03)
[3]基于Hessian矩阵和Gabor滤波的手指静脉特征提取[J]. 杨如民,许琳英,余成波. 兵器装备工程学报. 2019(03)
[4]手掌静脉识别:基于端到端卷积神经网络方法[J]. 杜东阳,路利军,符瑞阳,袁丽莎,陈武凡,刘娅琴. 南方医科大学学报. 2019(02)
[5]结合深度神经网络和随机森林的手掌静脉分类[J]. 袁丽莎,娄梦莹,刘娅琴,杨丰,黄靖. 激光与光电子学进展. 2019(10)
[6]改进的单幅近红外掌纹掌静脉图像融合识别[J]. 江晓龙,王华彬,王东旭,朱颜,陶亮. 计算机应用研究. 2019(06)
[7]基于灰度不均匀矫正和SIFT的手指静脉识别方法[J]. 孟宪静,袭肖明,杨璐,尹义龙. 南京大学学报(自然科学). 2018(01)
[8]基于散射卷积网络的手指静脉识别方法研究[J]. 陈朋,姜立,王海霞,陈培. 浙江工业大学学报. 2018(01)
[9]基于Gabor小波和NBP算法的手掌静脉识别[J]. 林森,徐天扬,王颖. 激光与光电子学进展. 2017(05)
[10]基于Zedboard的掌静脉采集认证系统设计[J]. 陈腾蛟,刘娅琴,叶林锋,杨丰. 电子技术应用. 2016(02)
博士论文
[1]掌静脉身份识别技术的理论与实验研究[D]. 李强.华中科技大学 2010
硕士论文
[1]非接触式多光谱掌静脉识别系统设计[D]. 陶静静.安徽理工大学 2019
[2]高清手掌静脉图像的获取与预处理方法研究[D]. 蓝晓柯.浙江工业大学 2015
本文编号：3434232
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3434232.html
