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。

传统的生物特征识别方法直接将用户的生物特征模板存储于数据库中。由于生物特征具有唯一性和稳定性,一旦被窃取,用户的生物特征将终身不可再用。针对此问题提出了一种存储伪生物特征图像的手掌静脉识别算法,该算法不从外部输入密钥,不存储原始掌脉生物特征模板。在注册阶段,于近红外光下采集用户手掌静脉图像,对图像进行加密形成伪图像,将伪图像存储于数据库中;在认证阶段,将数据库中的伪图像解密后提取特征,与认证阶段采集图像提取的特征进行匹配,给出认证结果。在PolyU图库、CASIA图库和自建图库上进行测试,结果表明:在样本数量为300时,该算法在上述3种图库中的等误率分别为0.4135%、0.5576%、0.4744%,识别时间分别为325.0740,316.0800,322.6530 ms。在小范围样本内,所提算法适用于安防、考勤等场合,具有一定的实用价值。

为了提取手掌静脉图像的纹理特征, 并有效提高其识别率, 在联合Gabor小波和近邻二值模式(NBP)的基础上提出了一种纹理特征提取方法。该方法利用静脉结构中血管粗细与延伸方向不同的特点, 将掌静脉图像感兴趣区域与4尺度、4方向的Gabor小波卷积获得多个幅值特征, 并在4个不同的尺度下分别求取均值, 获得Gabor尺度均值模式(GSP), 在每个GSP分块上使用NBP描述算子来提取局部邻域关系模式(GSPNBP)。然后将这些多尺度、多方向的GSPNBP分块区域的编码序列的总和作为掌静脉特征向量。最后通过求特征向量间汉明距离衡量静脉图像的相似程度来计算识别率, 并在PolyU图库和自建图库中进行实验。实验结果显示, 该算法获得的识别率最高可分别可达99.7935%和99.3965%, 识别时间都在1 s以内, 有效增强了算法稳健性。

针对基于引导滤波的指静脉图像增强算法不能突出静脉纹理细节信息的问题, 提出了基于边缘检测加权引导滤波算法。通过计算指静脉图像的边缘算子幅值, 对引导滤波中固定的规整化因子进行惩罚, 分别得到了静脉纹理区域和平滑区域的自适应规整化因子, 从而使滤波器具有更好的边缘保护特性。该算法在降低噪声的同时, 能保留并突出图像更多的静脉纹理细节。在国内和国外两个数据库上, 对基于边缘检测加权引导滤波与基于引导滤波的两类指静脉图像增强算法进行了对比实验, 结果表明, 前者在时间复杂度不变的情况下具有更低的错误识别率。

针对手臂静脉这一生物特征，提出一种基于链码表示的静脉特征提取及匹配算法。由近红外手臂图像中提取出静脉的骨架结构，并将其分割为若干条曲线段，通过曲线的相对方向、相对位置及形状特征计算匹配曲线对，利用粒子群算法计算匹配曲线间的最优空间变换关系，根据静脉全局变换后点集的重叠情况判断匹配程度。针对来自9个国家的110位实验者组成的手臂图像库进行实验，Rank-1和Rank-10%识别率分别为74.5%和93.6%，优于改进Hausdorff距离及模板匹配方法，表明手臂静脉可作为一种新的生物特征来进行身份认证。