【正文】 endend內(nèi)容總結(jié)
（1）基于Matlab的手背靜脈圖像特征提取
摘 要
人體手背靜脈識別技術(shù)作為一種全新的非接觸式生物特征識別技術(shù)，與以往傳統(tǒng)的指紋以及虹膜識別技術(shù)相比表現(xiàn)出了許多明顯的優(yōu)勢，近年來得到了廣泛的關(guān)注
。 end end end M0 = M/N。 for m = 1:B for n = 1:B if P(m,n) == 1 M = M+sqrt(m^2+n^2)。 M = 0。HV_FeatureVector = zeros(I,J)。I = len/B。% ********************************** 求原點(diǎn)靜距子程序 **************************function HV_FeatureVector = OriginalStaticMoment(HV_in,B)HV_in = double(HV_in)/255。 if R == j m = m+1。 end [E Index] = sort(Distance)。 Distance = zeros(1,Subject)。 end TestSample{1,j} = (TFeatureCell{j}{i})/(Sample1)。 for j = 1:Subject T = zeros(32,32)。m = 0。% ********************************** 主程序2 ********************************load F4。 endendimhist(FeatureCell)。 HV_FeatureVector = OriginalStaticMoment(HV_Preprocessed,4)。])。)。.bmp39。hv39。F:\matlab\Hand Vein Recognition\Pic\0039。HV_Original = imread(39。])。)。.bmp39。hv39。F:\matlab\Hand Vein Recognition\Pic\00039。HV_Original = imread(39。for i = 1:50 stpe = i。 close all。 Schuster Company, 1996:387440.[9] GStockman S. Kopstain and . Matching images to models for registration and object detection via clustering. IEEE Transactions on Patter Analysis and Machine Intelligence, 1992(3): 229241[10] Lin Xinrong et al. Measurement and matching of human vein pattern characteristics. Journal of Tsinghua University(science and technology).2003,43(2):336248[11] 王科俊,[J].哈爾濱工業(yè)大學(xué)，2006,58(14):3841.[12] 呂佩卓,23(21):167169.[13] 梁學(xué)章,[J].,35(17):6973.[14] [J].,27(1):152154.[15] 馬馴良,[J].,42(4). 178181.[16] 晃玉忠,郭慶平,[J].,23(5) : 6972.[17] FujitsuLaboratoriesLtd. Fujitsu Laboratories develops technology for word’s first contact less palm Vein pattern biometric authentication system. 2003,59(32) :767789.[18] [D]. 吉林：吉林大學(xué)，2006[19] 劉相濱,劉智成,[J].湖南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,32(1): 3234. [20] 朱從虎,王華彬,陶亮等. 低對比度手背靜脈圖像的增強(qiáng)和分割[J].計(jì)算機(jī)技術(shù)與發(fā)展,2011,21(5):5259.[21] 劉相濱,劉智成,[J].湖南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,44 (36):181183. [22] Mohamed Shahin, Ahmed Badawi, and Mohamed Kamel. Biometric Authentication Using Fast Correlation of Near Infrared Hand Vein Patterns. International Journal of Biological and Medical Sciences 2:3 2007:141148.[23] 田洪亮. 基于原點(diǎn)靜距向量的手背靜脈識別技術(shù)研究[D].河南大學(xué),2010. [24] 劉鐵根,王云新,李秀艷等. 基于手背靜脈的生物特征識別系統(tǒng)[J].光學(xué)學(xué)報(bào)(自然科學(xué)版),2009,29（12）:33393343. 附 錄% ********************************** 主程序1 ********************************clear。 同時(shí)，我還要向與我一起探討問題的同學(xué)表示感謝，在與你們討論的過程中，我開闊了思路，這對我的論文寫作有很大幫助。首先，我要感謝指導(dǎo)老師?？傊?，人體手背靜脈識別是一種很新穎而且實(shí)用價(jià)值很高的技術(shù)，希望今后的工可以得到更為理想的識別效果，研究工作的實(shí)用價(jià)值也將進(jìn)一步提升。(3) 本文雖然提出了一種特征提取方法，然而對此方法匹配率還不高，還需要進(jìn)一步的測試，例如，本文沒有考慮到樣本的旋轉(zhuǎn)對識別率的影響。但是總體上還處初級階段，所以研究還不成熟，雖然本文對靜脈識別系統(tǒng)進(jìn)行了大量的研究工作，取得了一定的階段性成果，但由于時(shí)間和條件的限制，本文還有許多需要完善和深入的地方，作為本文工作的擴(kuò)展以及未來研究方向，有以下幾點(diǎn)愿景：(1) 我們研究手背靜脈特征提取與匹配需要在圖像預(yù)處理的基礎(chǔ)上進(jìn)行，怎么獲得有效地預(yù)處理圖像使匹配率最高，需要進(jìn)一步的研究。實(shí)驗(yàn)結(jié)果表明，本文提出的識別算法具有比較可靠的識別率，原理也更易懂，執(zhí)行比較方便。對算法實(shí)驗(yàn)的研究表明，雖然采集到的靜脈原圖像并不是十分理想，但是通過算法上的增強(qiáng)、分割、細(xì)化等預(yù)處理，成功地完成了對靜脈圖像骨架特性的提取，并具有很強(qiáng)的抗噪聲性能，為后續(xù)手背靜脈的匹配模塊提供了可靠的特征依據(jù)。第二，對手背靜脈的特征提取和特征匹配方法進(jìn)行了有效探索。4 結(jié)論與展望 總結(jié)本文在研究和分析近年來國內(nèi)外有關(guān)生物特征識別技術(shù)研究成果的基礎(chǔ)上，對手背靜脈識別技術(shù)的一些關(guān)鍵技術(shù)進(jìn)行了深入研究，主要內(nèi)容包括手背靜脈圖像的預(yù)處理、特征提取及特征匹配，在有效特征的提取以及特征匹配方面提出了有效的算法。最后通過實(shí)驗(yàn)證明了這種特征提取方法的有效性，基于此算法的特征匹配得到了今人鼓舞的結(jié)果。 本章小結(jié)本章基于前面介紹的國內(nèi)外的特征提取和匹配算法，在此基礎(chǔ)上對比較流行的特征點(diǎn)的匹配方法進(jìn)行了優(yōu)化，而后從靜脈紋絡(luò)的全局出發(fā)，提出了提取原點(diǎn)靜矩來組成特征向量的算法來進(jìn)行匹配。實(shí)驗(yàn)四的結(jié)果說明的取值是對匹配率是有一定的影響的，正確匹配率的大小并不是隨著取值的增大而增加的，匹配率和的關(guān)系曲線大約成拋物線形狀，這和我們的經(jīng)驗(yàn)分析是相吻合的。，在兩次規(guī)模大小不同的數(shù)據(jù)庫中，實(shí)驗(yàn)二在模式類別10，測試樣本數(shù)50的情況下，匹配的準(zhǔn)確率為86%，實(shí)驗(yàn)三在模式類別50，測試樣本數(shù)250的情況下，%。 實(shí)驗(yàn)四的結(jié)果N取值待測樣本數(shù)模式類別正確識別數(shù)識別率錯(cuò)誤率1625050166%%3225050213%%6425050206%%實(shí)驗(yàn)結(jié)果分析：從實(shí)驗(yàn)一的結(jié)果我們可以看出，圖像預(yù)處理的過程不相同的情況下，提取的原點(diǎn)靜距向量會有很大的不同，得到的真匹配率也會有很大差別。 實(shí)驗(yàn)三結(jié)果待測樣本數(shù)模式類別正確識別數(shù)識別率錯(cuò)誤率25050213%%實(shí)驗(yàn)四：在提取平均原點(diǎn)靜矩的算法步驟中，我們第一步首先是把細(xì)化的二值圖像分割成的大小，那么的取值是多少合適呢，取多大時(shí)最能使用這個(gè)特征最有分辨能力呢。本次實(shí)驗(yàn)和上次實(shí)驗(yàn)基本相同，主要目的是看這種特征的辨別能力在大小數(shù)據(jù)庫中的強(qiáng)弱。這樣，每一個(gè)測試樣本將與模式樣本中產(chǎn)生1個(gè)真匹配值和9個(gè)假匹配值，這樣所有的樣本將會有50次真匹配和450次假匹配。把這50個(gè)樣本，每一個(gè)人的第一幅圖像作為模式樣本，其余四副圖像作為測試樣本，讓所有的測試樣本和所有的模式樣本都進(jìn)行匹配，然后把第二幅圖像作為模式樣本，其余四副作為測試樣本，依次類推。首先，我們假定三種方案：第一種：第二種： 第三種:： 實(shí)驗(yàn)一結(jié)果方案測試樣本數(shù)模式類別正確識別數(shù)識別率錯(cuò)誤率方案一25050210%%方案二25050213%%方案三25050201%%實(shí)驗(yàn)二：本次實(shí)驗(yàn)的目的是靜脈圖像的驗(yàn)證，驗(yàn)證是指模試