为减少手指静脉识别时间, 提出一种双重降维方向梯度直方图特征( Histogram of Oriented Gradient, HOG)结合支持向量机( Support Vector Machine, SVM)分类的手指静脉识别方法。针对传统 HOG算法特征维数高的问题, 首先通过 Fisher准则衡量梯度方向区间 HOG特征的分类能力, 然后使用序列前向选择法挑选出分类能力较优异的梯度方向区间构建部分方向区间 HOG特征, 最后使用主成分分析(Principal Component Analysis, PCA)降维。在公开的手指静脉数据库 FV-USM和 THU-FV上使用 SVM多分类器进行分类识别, 实验结果表明: 双重降维 HOG方法相较于 HOG＋PCA方法提取的特征维数降低了 40%, 识别时间减少了 29.85%, 识别准确率分别为 99.17%和 100%, 等误率分别为 1.07%和 0.01%。

针对指静脉提取困难和识别精度不够高等问题,提出了一种基于ResNet改进的手指静脉识别方法。首先,使用深度超参数化卷积(DO-Conv)代替网络中的传统卷积,在减少模型参数的同时提高了网络识别率。然后,将空间注意力模型(SAM)和挤压激励块(SE-Block)融合,应用于改进的残差网络(ResNet)提取图像在通道和空间域上的细节特征。最后,使用标签平滑的交叉熵(LSCE)损失函数来训练模型,实现自动校准网络防止分类出现误差。实验结果表明,改进后的模型不易受到图片质量的影响,在公开数据库FV-USM和SDUMLA上的识别精度分别达到99.4919%和99.4485%,较之前的网络在精度上有明显提高。

现有的指静脉识别方法通常以包含静脉分布的灰度图为对象进行算法设计。但由于采集装置的局限性, 光照强度的不确定性, 手指血管周围组织的复杂性等, 原始图像即使经过图像预处理过程, 得到的灰度图中依然会存在不规则的阴影和非静脉特征, 这可能使得被提取出的静脉特征不具有很好的代表性和区分性, 从而降低识别结果的准确性。因此, 本文提出以包含指静脉分布的二值图为对象进行算法设计, 从而在识别过程中尽可能减少非静脉因素的干扰。在特征提取上采用了适于二值图特征点检测的加速分割测试特征提取算法, 提取出静脉纹理边缘中符合要求的像素点作为特征点, 进而对检测到的特征点进行向量化描述。同时为了提高匹配的精度, 提出了基于圆形邻域的匹配算法, 使用加权匹配距离描述图像之间的相似程度。采用山东大学公开的手指静脉数据库进行算法性能测试, 平均识别率为0.993, 等误率为0.0196。上述结果证明了算法的有效性, 为指静脉识别算法设计提供了新的思路。

针对AlexNet在手指静脉识别系统中训练耗时过长,识别准确率较低的问题,提出AlexNet的改进网络结构。针对AlexNet模型输入图像尺寸限制性强,自适应能力差的问题引入空间金字塔池化模式的网络结构。为了加快网络训练速度和降低网络模型的复杂度,对AlexNet的卷积核尺寸、网络深度和全连接层等进行调整。实验结果表明,改进后的网络模型在公开和自有指静脉数据集上的识别准确率及训练时长较AlexNet模型均有明显改善。

由于手指静脉位于皮下, 手指中的生物组织、手指解剖结构、皮肤结构成像特性等固有原因都给手指静脉成像造成不利影响。针对手指静脉图像中普遍存在的局部血管残缺问题, 首次提出一种指静脉红外图像血管网络修复方法。首先, 利用多尺度Gabor滤波对手指静脉图像进行增强, 减少图像整体退化性模糊; 然后, 对指静脉图像进行二值化并提取血管骨架网, 以便对血管网络缺损位置进行判断; 再将提取的血管骨架端点、二分叉点作为血管骨架网络修复的源点, 根据最小路径原则实现手指静脉图像血管骨架网络修复; 最后, 将Gabor增强方向图作为约束条件, 复原血管网络的管径信息得到修复后的手指静脉二值化图像。实验结果表明: 该方法可以实现手指静脉图像局部血管网络残缺修复, 得到更加完整、稳定的血管网络结构, 利用修复后的图像可以进一步提高手指静脉识别精度。

基于编码的特征表达方法在光照不变性、运算效率、特征表述能力等方面具有较大优势, 成为新型的特征提取方法之一。手指静脉图像采用红外光透射成像, 加之手指内部其他组织的固有影响, 图像质量普遍较低。将Gabor滤波对图像纹理的增强与局部图结构编码的思想相结合, 重点研究一种新的对称邻域交叉图结构, 将局部邻域的纹理变化转换为加权的编码串。通过不同方向特征编码提取每个通道Gabor滤波图像的特征编码图, 充分表达像素点周围邻域的位置信息和梯度信息, 具有良好的旋转不变性。实验结果表明: 提出的手指静脉特征编码新方法比多种常用特征编码方法具有更好的识别性能, 对图像姿态变化更鲁棒。

针对手指静脉的身份识别问题，并结合手指静脉具有丰富纹理信息的特点，提出了一种基于小波灰度曲面的近红外手指静脉识别方法。采用直方图均衡化方法对原始静脉图像的感兴趣区域进行灰度调整，再用小波分解降维，提取降维后具有不同分辨率的图像，构建待匹配图像。将两幅待匹配图像中的对应像素值相减, 得到灰度差曲面。求出该灰度差曲面的方差, 将其作为衡量两个手指静脉特征曲面之间距离的依据, 并据此判定两个静脉是否来自同一个手指。应用该方法在国内和国外两个图库中使用典型和流行方法进行了对比实验，结果表明，提出的方法用Haar 小波降维后可获得具有不同分辨率的图像，在两个图库上的最低等误率(EER)分别为0%和4.6281%，识别时间仅为0.061 s 和0.0502 s。该算法具有一定的优势和可行性，且准确性高、安全保密性好、运行速度快。

提出一整套手指静脉认证系统的图像处理和静脉模板匹配算法。算法采用Sobel 算子结合首遇跟踪法检测手指边缘，然后采用最小均方误差原则拟合手指边缘并对图像进行旋转校正归一化；基于最大曲率模型的思想，采用四个方向梯度算子提取静脉；为降低拒真率和提高匹配速度，对静脉图像进行膨胀、三值化和两次压缩，建立包含静脉、背景和模糊区的紧凑型指静脉模板，并将测试模板与登记模板进行交叉点对点的匹配。实验结果表明，该算法兼顾了效率和准确性，只要手指没有反转，就可以得到接近100%的识别率，与传统匹配算法相比在速度和有效性方面都具有明显优势。