基于多特征融合手指靜脈圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)【摘要】隨著信息時(shí)代的快速發(fā)展，信息安全是一個(gè)越來(lái)越重要的問(wèn)題，傳統(tǒng)的身份識(shí)別已經(jīng)無(wú)法滿足人們的需求，生物特征識(shí)別技術(shù)成為信息時(shí)代發(fā)展的趨勢(shì)。因此，尋找并建立更高效安全的生物識(shí)別技術(shù)系統(tǒng)，提高身份信息安全已經(jīng)成為當(dāng)今社會(huì)的一個(gè)重要話題，常見(jiàn)的生物特征有指紋、虹膜、靜脈、聲紋、筆跡等等。本文設(shè)計(jì)了基于多特征手指靜脈識(shí)別系統(tǒng)，用來(lái)進(jìn)行指靜脈的身份識(shí)別保證人們的信息安全。本設(shè)計(jì)研究了國(guó)內(nèi)外的指靜脈識(shí)別技術(shù)，并提出了將多特征融合將指靜脈的圖像進(jìn)行檢索和識(shí)別，充分利用多特征的相關(guān)性和互補(bǔ)性來(lái)提高識(shí)別效率用于構(gòu)建一個(gè)強(qiáng)大的指靜脈識(shí)別系統(tǒng)。本系統(tǒng)主要分為圖像增強(qiáng)模塊和提取特征并識(shí)別兩個(gè)模塊。輸入手指靜脈圖像將其使用直方圖均衡和CLAHE

的方法增強(qiáng)圖像使得特征更明顯然后分別利用LBP

提取出靜脈的局部紋理特征，然后用GLCM提取出不同方向的靜脈主干特征、紋路特征、方向特征將這些特征值作為機(jī)器學(xué)習(xí)分類器的學(xué)習(xí)依據(jù)，再將收集的靜脈圖像合理劃分為訓(xùn)練集與測(cè)試集。然后輸入測(cè)試集的圖片進(jìn)行特征提取將其與訓(xùn)練集的圖像進(jìn)行比對(duì)，最后進(jìn)行全面的測(cè)試，獲取到可靠的實(shí)驗(yàn)數(shù)據(jù)，來(lái)驗(yàn)證該設(shè)計(jì)的可行性。數(shù)據(jù)結(jié)果表明，準(zhǔn)確度達(dá)到95.00%，具有一定的實(shí)際應(yīng)用價(jià)值。【關(guān)鍵詞】靜脈識(shí)別；LBP;特征提取;GLCM;多特征融合;機(jī)器學(xué)習(xí)DesignandImplementationofFingerVeinImageRecognitionSystemBasedonMulti-featureFusion【Abstract】Withtherapiddevelopmentoftheinformationage,informationsecurityisanincreasinglyimportantissue,andtraditionalidentificationhasbeenunabletomeetpeople'sneeds,andbiometricidentificationtechnologyhasbecomethetrendofdevelopmentintheinformationage.Therefore,findingandestablishinganefficientandsecurebiometrictechnologysystemtoimprovethesecurityofidentityinformationhasbecomeanimportanttopicintoday'ssociety,andcommonbiometricfeaturesincludefingerprints,iris,veins,voiceprints,handwriting,etc.Inthispaper,amulti-featurefingerveinrecognitionsystemisdesignedtoidentifyfingerveinstoensurepeople'sinformationsecurity.Thisdesigninvestigatesfingerveinrecognitiontechnologiesbothdomesticallyandinternationally,andproposestheuseofmultifeaturefusionforretrievalandrecognitionoffingerveinimages,fullyutilizingthecorrelationandcomplementarityofmultiplefeaturestoimproverecognitionefficiencyandbuildapowerfulfingerveinrecognitionsystem.Thissystemismainlydividedintotwomodules:imageenhancementmoduleandfeatureextractionandrecognitionmodule.InputthefingerveinimageandusehistogramequalizationandCLAHEmethodstoenhancetheimagetomakethefeaturesmoreprominent.Then,useLBPtoextractthelocaltexturefeaturesoftheveins,anduseGLCMtoextractthemainveinfeatures,ridgefeatures,anddirectionalfeaturesindifferentdirections.Thesefeaturevaluesareusedasthelearningbasisforthemachinelearningclassifier,andthecollectedveinimagesarereasonablydividedintotrainingandtestingsets.Theninputtheimagesfromthetestsetforfeatureextractionandcomparethemwiththeimagesfromthetrainingset.Finally,conductcomprehensivetestingtoobtainreliableexperimentaldatatoverifythefeasibilityofthedesign.Thedataresultsindicatethattheaccuracyreaches93.75%,whichhascertainpracticalapplicationvalue.【Keywords】VeinIdentification;LBP;FeatureExtraction;GLCM;Multi-FeatureFusion;MachineLearning目錄TOC\o"1-2"\h\u29961緒論 XVII1緒論1.1研究背景身份識(shí)別的起源可以追溯到古代社會(huì)的組織和管理需求，隨著人類社會(huì)的發(fā)展，人們開(kāi)始意識(shí)到需要一種方法來(lái)識(shí)別個(gè)體的身份以便進(jìn)行更有效的組織管理和交流。在古代社會(huì)，人們開(kāi)始使用標(biāo)志、印章或印記等方式來(lái)識(shí)別個(gè)體或組織的身份。這些標(biāo)志通常以圖案、字母或符號(hào)的形式出現(xiàn)，用于在文書(shū)、物品或建筑上進(jìn)行標(biāo)識(shí)。隨著文明的進(jìn)步國(guó)家和政府的出現(xiàn)，現(xiàn)代身份證件逐漸發(fā)展起來(lái)。身份證、護(hù)照、駕駛證等成為了現(xiàn)代社會(huì)中普遍使用的身份證明方式，用于識(shí)別和驗(yàn)證個(gè)人身份、國(guó)籍和權(quán)利。身份的識(shí)別以及驗(yàn)證是伴隨人們文明一直存在的問(wèn)題，常見(jiàn)的身份識(shí)別方式如下圖所示：圖1-1數(shù)字密碼解鎖圖1-2圖案密碼解鎖近幾年來(lái)，由于科技的進(jìn)步，生物辨識(shí)已成為一種主要的身份鑒別方法。生物識(shí)別是一種基于人體自身所具有的特定的生理或行為特性，如人臉，指紋，指紋，虹膜，指紋等，通過(guò)一定的識(shí)別算法，實(shí)現(xiàn)對(duì)人體的有效識(shí)別。相對(duì)于傳統(tǒng)的身份鑒定，生物測(cè)定技術(shù)是比較可靠的，傳統(tǒng)的身份驗(yàn)證比如身份證鑰匙等方式容易丟失，損壞等等一系列問(wèn)題導(dǎo)致傳統(tǒng)的身份驗(yàn)證失敗，然而生物特征識(shí)別技術(shù)就可以有效的避免這些，指紋始終是在手指上，人臉的信息特征若不是人為改變也不會(huì)輕易發(fā)生改變。生物特征能夠成為身份識(shí)別的重要手段主要因?yàn)橐韵聨c(diǎn)：(1)普遍性:每個(gè)人都有的特征(2)唯一性:有且不同，可以使用該特征對(duì)不同的人進(jìn)行區(qū)別(3)可采集:該特征可以通過(guò)數(shù)據(jù)進(jìn)行測(cè)量并可以通過(guò)數(shù)據(jù)來(lái)進(jìn)行表示(4)穩(wěn)定性:該特征在一定時(shí)間內(nèi)不會(huì)發(fā)生改變且艱難發(fā)生改變。常見(jiàn)的生物識(shí)別技術(shù)有人臉識(shí)別，指紋識(shí)別，虹膜識(shí)別，靜脈識(shí)別等等。他們?cè)谏矸葑R(shí)別當(dāng)中都有著不同的優(yōu)勢(shì)。人臉識(shí)別的優(yōu)勢(shì)有以下幾點(diǎn)：(1)非接觸性：人臉識(shí)別是一種非接觸性的識(shí)別方式，可以在無(wú)需與設(shè)備接觸的情況下進(jìn)行身份驗(yàn)證。這使得人臉識(shí)別技術(shù)更加衛(wèi)生、便利，適用于一些需要快速識(shí)別的場(chǎng)合，如大規(guī)模人員通行、門(mén)禁系統(tǒng)等。(2)廣泛應(yīng)用：

人臉識(shí)別技術(shù)可以應(yīng)用于許多領(lǐng)域，例如安全監(jiān)控、個(gè)人設(shè)備解鎖、身份驗(yàn)證、社交媒體等。其靈活性和多功能性使其在各個(gè)領(lǐng)域都有廣泛的應(yīng)用潛力。(3)高度準(zhǔn)確性：人臉識(shí)別技術(shù)具有很高的識(shí)別準(zhǔn)確性。通過(guò)比對(duì)人臉的特征點(diǎn)、紋理和形狀等信息，可以實(shí)現(xiàn)較高的識(shí)別精度。尤其是在大規(guī)模人員識(shí)別場(chǎng)景下，人臉識(shí)別技術(shù)可以迅速準(zhǔn)確地識(shí)別目標(biāo)。(4)易于使用和接受：人臉識(shí)別技術(shù)相對(duì)于其他生物識(shí)別技術(shù)來(lái)說(shuō)更容易被用戶接受和使用。人臉是大多數(shù)人熟悉且易于辨認(rèn)的特征，很少需要用戶進(jìn)行額外的操作或?qū)W習(xí)，用戶只需站在識(shí)別系統(tǒng)前進(jìn)行簡(jiǎn)單的檢測(cè)即可完成識(shí)別?？偟膩?lái)說(shuō)，人臉識(shí)別技術(shù)具有非接觸性、廣泛應(yīng)用、高準(zhǔn)確性、易使用、防偽能力強(qiáng)和大規(guī)模識(shí)別能力等多個(gè)優(yōu)勢(shì)。這些優(yōu)勢(shì)使得人臉識(shí)別技術(shù)成為當(dāng)前最受關(guān)注和廣泛應(yīng)用的生物識(shí)別技術(shù)之一。虹膜識(shí)別的優(yōu)勢(shì)有以下幾點(diǎn)：(1)獨(dú)特性：

虹膜是人眼中豐富、復(fù)雜且獨(dú)特的部分。每個(gè)人的虹膜圖案都是獨(dú)一無(wú)二的，且在人的一生中基本不會(huì)發(fā)生變化。這種高度的個(gè)體差異性使虹膜識(shí)別成為一種非?？煽康纳矸蒡?yàn)證方式。(2)高精度：

虹膜識(shí)別技術(shù)具有非常高的準(zhǔn)確性。虹膜圖案中包含了豐富的細(xì)節(jié)和特征，通過(guò)比對(duì)和匹配這些特征，可以實(shí)現(xiàn)極高的識(shí)別精度。虹膜識(shí)別的誤識(shí)率非常低，能夠有效地區(qū)分不同的個(gè)體。(3)非侵入性：

虹膜識(shí)別是一種非接觸性的識(shí)別技術(shù)，不需要與設(shè)備接觸或提供額外的信息。只需通過(guò)專門(mén)的設(shè)備或攝像機(jī)捕捉眼部圖像，就可以進(jìn)行虹膜識(shí)別。這種非侵入性使得虹膜識(shí)別更加舒適、便捷且衛(wèi)生。(4)抗偽能力：

虹膜識(shí)別技術(shù)相對(duì)于其他生物識(shí)別技術(shù)來(lái)說(shuō)更具抗偽造能力。虹膜圖案位于眼球深層，且常常需要活體檢測(cè)才能進(jìn)行識(shí)別，使得冒用或偽造他人虹膜的風(fēng)險(xiǎn)非常低。總體而言，虹膜識(shí)別具有獨(dú)特性、高精度、非侵入性、快速識(shí)別、抗偽能力和可靠性等多個(gè)優(yōu)勢(shì)。這些優(yōu)勢(shì)使得虹膜識(shí)別成為高度安全、準(zhǔn)確且可信賴的生物識(shí)別技術(shù)，廣泛應(yīng)用于身份驗(yàn)證、安全監(jiān)控等領(lǐng)域。常見(jiàn)的生物特征識(shí)別技術(shù)優(yōu)缺點(diǎn)見(jiàn)表1-1：表1-1生物特征識(shí)別技術(shù)優(yōu)缺點(diǎn)對(duì)比生物特征普遍性識(shí)別性能安全系數(shù)唯一性采集難度人臉高低低低低指紋中高中高低靜脈中中高中低虹膜高高高高高常見(jiàn)的生物特征識(shí)別技術(shù)如下圖所示：圖1-3人臉識(shí)別技術(shù)圖1-4虹膜識(shí)別技術(shù)指靜脈識(shí)別技術(shù)是一種新興的身份識(shí)別技術(shù)，其與指紋簽名等識(shí)別技術(shù)不同，它具有獨(dú)特的活體識(shí)別技術(shù)，其相比于其他生物特征識(shí)別技術(shù)有著不一樣的優(yōu)勢(shì):首先靜脈是處于人體表皮以下的部分有著皮膚的保護(hù)，不會(huì)隨著時(shí)間和外在因素老化和磨損，保證了指靜脈識(shí)別技術(shù)的穩(wěn)定性，其次指靜脈的采集裝置是非接觸式的，它并不用靜脈與裝置直接接觸更加的安全衛(wèi)生，其采集裝置更加的小巧便利可以減少空間的占用，再者指靜脈采集裝置的攝像頭不用那么的精密精細(xì)，因?yàn)殪o脈本來(lái)就是肉眼可見(jiàn)，所以指靜脈識(shí)別技術(shù)有著更容易被大眾所接受的潛力。指靜脈識(shí)別有以下特點(diǎn):(1)唯一性:在個(gè)體發(fā)育的過(guò)程當(dāng)中，血管網(wǎng)絡(luò)從最初的形態(tài)就會(huì)發(fā)生改變，靜脈的形態(tài)收到血氧和容量的影響，而這些影響是受每個(gè)人基因的不同而不同的所以不同個(gè)體之間的血管網(wǎng)絡(luò)就會(huì)有很大的差異性，這是作為身份認(rèn)證的一種有效的方式。(2)穩(wěn)定性:血管的基本模型從胚胎時(shí)期便開(kāi)始形成，且成型之后不會(huì)輕易發(fā)生改變。(3)普遍性:靜脈是負(fù)責(zé)人體血液循環(huán)必不可少的成分，醫(yī)學(xué)研究表明在皮膚表層的血管厚度為0.3-1.0mm，手指靜脈識(shí)別是將手指表層的靜脈分布作為特征進(jìn)行識(shí)別的技術(shù)。指靜脈識(shí)別圖如下圖所示：圖1-5指靜脈識(shí)別技術(shù)但是生物特征識(shí)別技術(shù)也存在自身的難點(diǎn)生物特征是基于生物的，每次認(rèn)證需要使用專門(mén)的設(shè)備檢測(cè)一次，檢測(cè)到的信息需要經(jīng)過(guò)復(fù)雜的數(shù)字信息處理環(huán)節(jié)才能用于與數(shù)據(jù)庫(kù)進(jìn)行對(duì)比和認(rèn)證。這關(guān)系到生物特征識(shí)別認(rèn)證的正確率、成本、易用性和易部署性等方面的要求。因此，在以前科技水平?jīng)]有這么先進(jìn)、電子設(shè)備的體積沒(méi)有能做到這么小型化的時(shí)候，生物特征識(shí)別的應(yīng)用范圍僅限于“按手指印”這種依托人工肉眼辨別的方式，應(yīng)用范圍很小。而即便是現(xiàn)在，科技發(fā)展使得生物特征識(shí)別可以鋪開(kāi)應(yīng)用，處理和識(shí)別算法的改進(jìn)依然是相關(guān)領(lǐng)域不會(huì)停止的工作。生物特征識(shí)別認(rèn)證，依然任重道遠(yuǎn)。在指靜脈識(shí)別領(lǐng)域中，如何優(yōu)化圖像處理的流程、提升識(shí)別的正確率，是我們關(guān)注的重點(diǎn)之一。本課題即著眼于圖像處理和比對(duì)，設(shè)計(jì)一套圖像處理和比對(duì)算法，來(lái)對(duì)原始圖像進(jìn)行處理和比對(duì)，進(jìn)而驗(yàn)證這些算法的正確率和可靠性水平。1.2研究意義手指靜脈識(shí)別技術(shù)的研究具有多方面的意義，涉及到安全性、便利性、隱私保護(hù)等方面:(1)高安全性:手指靜脈識(shí)別技術(shù)利用手指靜脈的獨(dú)特性進(jìn)行身份驗(yàn)證，這種生物特征幾乎是獨(dú)一無(wú)二的。相比傳統(tǒng)的身份驗(yàn)證方式如密碼或身份證，手指靜脈識(shí)別提供了更高的安全性，降低了身份被盜用的風(fēng)險(xiǎn)。(2)非侵入性:與一些生物識(shí)別技術(shù)（如虹膜掃描）相比，手指靜脈識(shí)別是一種非侵入性的方法。用戶只需將手指放在感應(yīng)器上，無(wú)需接觸或直接觸摸設(shè)備，提供了更加便利和舒適的用戶體驗(yàn)。(3)抗偽造性:手指靜脈圖像具有高度的復(fù)雜性，難以被偽造。即使有人能夠獲取手指靜脈的圖像，也很難通過(guò)簡(jiǎn)單的手段偽造出與原始數(shù)據(jù)一致的特征。這使得手指靜脈識(shí)別技術(shù)在防范偽造攻擊方面表現(xiàn)優(yōu)越。(4)適用范圍廣泛:手指靜脈識(shí)別技術(shù)不僅可以應(yīng)用于個(gè)人電腦和手機(jī)的解鎖，還可以用于金融交易、醫(yī)療記錄訪問(wèn)、政府身份驗(yàn)證等領(lǐng)域。其靈活性和多功能性使得這項(xiàng)技術(shù)在不同領(lǐng)域都有應(yīng)用潛力。1997年，日本日立公司就開(kāi)始研發(fā)手指靜脈識(shí)別技術(shù)，并成功將其應(yīng)用到辦公、保險(xiǎn)、門(mén)禁、考勤等設(shè)備上。2019年格力研發(fā)并推出了指靜脈鎖，廣州地鐵與佳都科技在全球首次推出指靜脈閘機(jī)，小米有品上線手指靜脈識(shí)別私密箱產(chǎn)品，成功將手指靜脈識(shí)別融入智能家居場(chǎng)景。除此之外手指靜脈識(shí)別技術(shù)還有相當(dāng)廣泛的應(yīng)用前景例如在安全訪問(wèn)控制，金融支付，邊境安檢，智能門(mén)禁，生物識(shí)別登入等涵蓋了金融，智能，公共服務(wù)等多個(gè)領(lǐng)域，具有很廣泛的應(yīng)用前景?？傮w而言，手指靜脈識(shí)別技術(shù)的研究意義在于提供了一種安全、便捷、非侵入性的身份驗(yàn)證方式，適用于多個(gè)領(lǐng)域，同時(shí)在技術(shù)創(chuàng)新和隱私保護(hù)方面也具有重要價(jià)值。1.3國(guó)外研究現(xiàn)狀研究生物特征識(shí)別技術(shù)尤其是指靜脈識(shí)別技術(shù)來(lái)解決我們身份信息識(shí)別安全的問(wèn)題。國(guó)外學(xué)者在這方面已經(jīng)做出了一些研究成果。這些技術(shù)包括更快更高的識(shí)別效率已經(jīng)更完美的圖像處理技術(shù)算法。通過(guò)這些技術(shù)手段，人們?cè)谏锾卣髯R(shí)別技術(shù)的研究上越來(lái)越成熟。為我們提供了寶貴的啟示和思路。2015年，Raghavendra等人使用一種基于無(wú)監(jiān)督聚類的手指靜脈識(shí)別方法，使用K-means聚類得到各聚類中心，測(cè)試圖像需要提取特征并計(jì)算其與各聚類中心的距離，確定該特征最近鄰聚類中心，該特征只需要跟注冊(cè)圖像中所有屬于同一個(gè)聚類中心的圖像進(jìn)行精確匹配，而不需要與注冊(cè)圖像中所有圖像逐一匹配。在七個(gè)公開(kāi)手指靜脈數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)驗(yàn)證了非常好的識(shí)別性能[1]。2021年，Kapoor等人針對(duì)隨機(jī)噪聲、光照變化、圖像變形等問(wèn)題，將混合局部相位量化（Localphasequantization，LPQ）與局部方向模式（Localdirectionalpattern，LDP）相結(jié)合，提取手指靜脈特征，然后采用改進(jìn)的支持向量機(jī)（Supportvectormachine，SVM）進(jìn)行分類，有效提高了識(shí)別性能[2]。2021年，Li等人提出了一種用于手指靜脈特征提取和識(shí)別的自適應(yīng)判別和稀疏性特征描述符（Discriminantandsparsityfeaturedescriptor，DSFD），將手指靜脈圖像的方向差向量自適應(yīng)地投影到具有判別二進(jìn)制碼的二值特征空間中，使類內(nèi)樣本距離最小化，同時(shí)類間樣本距離最大化。該方法在兩個(gè)公開(kāi)的手指靜脈數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果證明，該方法能夠有效提高手指靜脈識(shí)別性能[3]。1.4國(guó)內(nèi)研究現(xiàn)狀國(guó)內(nèi)的城市化晚于其他發(fā)達(dá)國(guó)家，因此對(duì)于指靜脈識(shí)別技術(shù)的研究相對(duì)于發(fā)達(dá)國(guó)家較為落后。但是，作為一個(gè)人口大國(guó)近幾年隨著城市化加速，相關(guān)領(lǐng)域的研究呈現(xiàn)出不斷增長(zhǎng)的趨勢(shì)?，F(xiàn)在，為了更好地解決身份識(shí)別問(wèn)題，技術(shù)手段不斷提升。在未來(lái)的發(fā)展中，我國(guó)將繼續(xù)加強(qiáng)生物特征識(shí)別技術(shù)的研究，提高城市社會(huì)信息安全，讓人民群眾更放心的享受信息化的時(shí)代。2020年，何嚴(yán)東方老師在他《基于最大曲率的指靜脈多特征提取與匹配算法研究》中提出基于最大曲率的自適應(yīng)指靜脈紋路提取算法。該算法采用將指靜脈背景自適應(yīng)弱化處理和偽靜脈點(diǎn)剔除等操作,提高了提取算法的魯棒性。仿真實(shí)驗(yàn)表明,該文方法提升了指靜脈紋路提取的準(zhǔn)確性,提高了指靜脈識(shí)別系統(tǒng)的性能。針對(duì)采用單一特征的指靜脈識(shí)別系統(tǒng)性能較低問(wèn)題,該文在匹配層提出一種基于粒子群計(jì)算權(quán)重的加權(quán)均值多特征融合匹配算法,該方法融合了三種類型特征以及相適應(yīng)的匹配方法,針對(duì)指靜脈灰度圖像使用LBP提取特征向量進(jìn)行匹配,針對(duì)指靜脈紋路特征采用模板匹配方法,針對(duì)特征點(diǎn)該文設(shè)計(jì)了一種基于IHD的指靜脈方向信息特征匹配方法進(jìn)行匹配。實(shí)驗(yàn)結(jié)果表明,該文提出的多特征融合匹配算法能夠提升指靜脈識(shí)別系統(tǒng)的精度[4]。2021年，李治中老師在《指靜脈魯棒識(shí)別技術(shù)研究》中本文對(duì)魯棒分類網(wǎng)絡(luò)進(jìn)行了改進(jìn)。該算法在各卷積模塊后加入一種整體平均池化算法，并對(duì)其進(jìn)行多尺度特征預(yù)測(cè)，并將其作為最后的分類標(biāo)準(zhǔn)；對(duì)殘差支路增加一個(gè)殘差補(bǔ)償結(jié)構(gòu)，避免了對(duì)淺層信息的丟失；提出了一種基于遷移的方法來(lái)加速模型的訓(xùn)練，提高了模型的泛化能力；設(shè)計(jì)標(biāo)記光滑的交叉熵?fù)p以減輕過(guò)度擬合。實(shí)驗(yàn)結(jié)果顯示，基于SF-DA（Self-Dataset）的分類與預(yù)測(cè)精度分別達(dá)到99.78%和99.84%。通過(guò)引入權(quán)值分類模型，利用余弦距離作為分類測(cè)度，在不需要訓(xùn)練新數(shù)據(jù)的前提下，對(duì)未知樣本進(jìn)行自動(dòng)識(shí)別。為增強(qiáng)分類器的穩(wěn)健性，采用兩個(gè)判別門(mén)限和兩個(gè)判別區(qū)間，采用優(yōu)先權(quán)加權(quán)的方法減少了單個(gè)區(qū)間的偶然。實(shí)驗(yàn)結(jié)果顯示，該算法在SF-DA中達(dá)到了99.11%的正確率和0.67%的準(zhǔn)確率；在SDU-FV公布的數(shù)據(jù)集上，識(shí)別準(zhǔn)確度達(dá)到99.53%，精度損失0.31%[5]。2021年，馮澤宇老師在《煤礦入井人員指靜脈身份識(shí)別技術(shù)研究》中根據(jù)Gabor濾波的特點(diǎn)，對(duì)4幅圖像分別進(jìn)行45度、90度、135度、180度的Gabor濾波，并對(duì)4幅圖像進(jìn)行融合處理。研究了指端靜脈的特征提取方法。本項(xiàng)目擬從最大曲率、重復(fù)直線、主曲率、Gabor濾波器等四個(gè)角度，通過(guò)對(duì)所抽取的特征進(jìn)行表決，確定所提取的特征，以50%以上的指紋為依據(jù)，判斷是否為背景。實(shí)驗(yàn)結(jié)果表明，使用四種不同的特征抽取方法，其正確率僅為0.19%。提出了一種新的基于指紋的指紋圖像匹配方法。利用最小二乘法，通過(guò)計(jì)算細(xì)節(jié)點(diǎn)集合（終點(diǎn)，交叉點(diǎn)）間的豪斯道夫距離，實(shí)現(xiàn)手指靜脈影像與數(shù)據(jù)庫(kù)中儲(chǔ)存的手指靜脈數(shù)據(jù)的匹配。[6]。2022年，杜夢(mèng)麗等人在《基于多尺度可變曲率Gabor濾波器的指靜脈識(shí)別》根據(jù)Gabor濾波的特點(diǎn)，對(duì)4幅圖像分別進(jìn)行45度、90度、135度、180度的Gabor濾波，并對(duì)4幅圖像進(jìn)行融合處理。研究了指端靜脈的特征提取方法。本項(xiàng)目擬從最大曲率、重復(fù)直線、主曲率、Gabor濾波器等四個(gè)角度，通過(guò)對(duì)所抽取的特征進(jìn)行表決，確定所提取的特征，以50%以上的指紋為依據(jù)，判斷是否為背景。實(shí)驗(yàn)結(jié)果表明，使用四種不同的特征抽取方法，其正確率僅為0.19%將多尺度可變曲率Gabor濾波算法應(yīng)用于手指靜脈圖像的提取，獲得手指靜脈的多尺度能量分布及幾何特征分布；在此基礎(chǔ)上，引入了多尺度的局部窗，引入了方向信息，實(shí)現(xiàn)了差異激勵(lì)的求解；在此基礎(chǔ)上，采用微分激勵(lì)與幾何特性映射相結(jié)合的方法進(jìn)行特征提取。最后，利用FV-TJ、FV-USM等數(shù)據(jù)庫(kù)對(duì)所提出的算法進(jìn)行了測(cè)試，證明了所提算法的有效性。[7]。2023年，劉行等人在《基于多特征融合的手指靜脈圖像檢索方法》中提出了一種新的多特征融合算法，用于指靜脈圖像的檢索，以進(jìn)一步提高其檢索準(zhǔn)確率。在此基礎(chǔ)上，提出了一種基于紋理特征、方向特征和靜脈骨架特征的新算法。在此基礎(chǔ)上，根據(jù)指脈和脈管在空間上的分布特點(diǎn)，將圖像分割成若干塊，并以圖象塊為基礎(chǔ)進(jìn)行特征提取。在兩個(gè)公開(kāi)的指紋庫(kù)上，本文提出的算法對(duì)指紋圖的最優(yōu)查準(zhǔn)率可達(dá)99.16%，查準(zhǔn)率達(dá)99.15%。實(shí)驗(yàn)證明，本文提出的算法可以很好地綜合運(yùn)用各種不同的特征，從而提高了指靜脈圖像的檢索效果。[8]。劉行等人在《基于多特征融合的手指靜脈圖像檢索方法》中提出了一種新的多特征融合算法，用于指靜脈圖像的檢索，以進(jìn)一步提高其檢索準(zhǔn)確率。在此基礎(chǔ)上，提出了一種基于紋理特征、方向特征和靜脈骨架特征的新算法。在此基礎(chǔ)上，根據(jù)指脈和脈管在空間上的分布特點(diǎn)，將圖像分割成若干塊，并以圖象塊為基礎(chǔ)進(jìn)行特征提取。在兩個(gè)公開(kāi)的指紋庫(kù)上，本文提出的算法對(duì)指紋圖的最優(yōu)查準(zhǔn)率可達(dá)99.16%，查準(zhǔn)率達(dá)99.15%。同年，劉行等人完成了《基于多特征融合的手指靜脈圖像識(shí)別方法》的研究，并在此基礎(chǔ)上進(jìn)行了一項(xiàng)新的研究。在此基礎(chǔ)上，提出了一種基于多模直方圖的指紋提取算法，該算法可以有效地提取指端靜脈的紋理、方向特征以及靜脈骨架特征，并利用改進(jìn)的多模直方圖進(jìn)行提取。在此基礎(chǔ)上，結(jié)合指脈和脈管在空間上的分布特點(diǎn)，將圖像分割成若干塊，并在此基礎(chǔ)上提取出相應(yīng)的特征。本文提出的算法在公共的兩個(gè)指紋庫(kù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)證明，本文提出的算法可以很好地發(fā)揮各種特征間的相互關(guān)系與互補(bǔ)作用，從而提高指靜脈圖像的檢索效率。在此基礎(chǔ)上，本文研究了一種新的多特征融合算法。首先，采用Gabor濾波算法對(duì)指端靜脈進(jìn)行了提取，得到了方向、紋理、紋理等特征；然后,將字典學(xué)習(xí)方法擴(kuò)展到一致性多特征字典學(xué)習(xí)方法,從不同的特征學(xué)習(xí)多個(gè)字典,并為多個(gè)字典計(jì)算一致性編碼系數(shù)。最后,為一致性字典學(xué)習(xí)添加了一個(gè)局部約束,以使每一幅手指靜脈圖像由其相似圖像來(lái)表示,這可以使編碼系數(shù)更具區(qū)分性。最后，利用已建立的指脈庫(kù)和人工合成的指脈庫(kù)，對(duì)該算法的性能進(jìn)行了評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明,該方法具有較為理想的識(shí)別性能[9]。1.5小結(jié)根據(jù)對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)的對(duì)比研究，國(guó)內(nèi)指靜脈識(shí)別的技術(shù)水平已經(jīng)有了很大提升，與國(guó)外的技術(shù)差距正在逐步縮小。盡管?chē)?guó)內(nèi)相關(guān)研究相對(duì)成熟，但在實(shí)際應(yīng)用中仍然存在一些需完善與改進(jìn)的地方，如在檢索識(shí)別方面不能夠百分百的識(shí)別出特有的特征，還是會(huì)有相似性的地方這些小小的概率都可能成為不法分子入侵人們信息安全的手段。因此，本文旨在借助matlab和特征提取算法，研究、設(shè)計(jì)一套基于多特征融合的指靜脈識(shí)別系統(tǒng)，以更好地實(shí)現(xiàn)指靜脈識(shí)別技術(shù)的更高識(shí)別率以及更高安全性。1.6論文框架結(jié)構(gòu)本文一共包括了六個(gè)章節(jié)，第一章為緒論，介紹了手指靜脈圖像識(shí)別技術(shù)的研究背景和研究意義，闡述了國(guó)內(nèi)外的研究現(xiàn)狀，說(shuō)明了對(duì)手指靜脈識(shí)別技術(shù)的研究必要性。第二章，主要詳細(xì)介紹了本文在對(duì)手指靜脈識(shí)別系統(tǒng)設(shè)計(jì)時(shí)所使用到的算法，包括圖像去噪，閾值分割，圖像增強(qiáng)，特征提取，以及機(jī)器學(xué)習(xí)的方法進(jìn)行理論的講解。第三章，對(duì)手指靜脈識(shí)別系統(tǒng)的設(shè)計(jì)以流程圖的方式簡(jiǎn)要敘述設(shè)計(jì)以及實(shí)現(xiàn)的流程，包括GUI界面的設(shè)計(jì)框圖。第四章，系統(tǒng)實(shí)現(xiàn)的過(guò)程，從圖像讀取到圖像的預(yù)處理以及特征的提取運(yùn)行的過(guò)程進(jìn)行單個(gè)講解，以及在識(shí)別的過(guò)程將機(jī)器學(xué)習(xí)運(yùn)用到手指靜脈識(shí)別當(dāng)中，融合了上述提取的這些特征，得到識(shí)別可以有效提高識(shí)別的精度。第五章，總結(jié)與不足以及對(duì)未來(lái)的展望，對(duì)全文的內(nèi)容進(jìn)行總結(jié)與歸納，首先對(duì)本文的研究進(jìn)展和成果進(jìn)行概括，并說(shuō)明出本系統(tǒng)中存在的不足，最后對(duì)未來(lái)手指靜脈圖像識(shí)別工作中的研究進(jìn)行展望。2手指靜脈識(shí)別相關(guān)理論2.1手指靜脈圖像的采集手指靜脈特征是一種生物識(shí)別技術(shù)，利用手指上的血管結(jié)構(gòu)進(jìn)行身份驗(yàn)證和識(shí)別。它基于人體手指的血管分布模式，通過(guò)圖像采集和分析手指靜脈圖像來(lái)識(shí)別個(gè)體的獨(dú)特特征。手指靜脈特征主要包含以下幾個(gè)方面的特征：(1)分布模式：手指靜脈特征是指手指上靜脈的分布模式。每個(gè)人手指靜脈的分布模式都是獨(dú)一無(wú)二的，形成了一種個(gè)體特征。這種分布模式可以通過(guò)靜脈圖像進(jìn)行捕捉和分析。(2)形狀和曲率：手指靜脈的形狀和曲率是其特征的關(guān)鍵部分。手指靜脈通常呈現(xiàn)出曲線、分支、交叉等形狀，這些形狀和曲率的組合構(gòu)成了每個(gè)人手指靜脈的獨(dú)特特征。(3)連通性：手指靜脈特征還包括靜脈的連通性。手指靜脈血管通常呈網(wǎng)狀結(jié)構(gòu)，各個(gè)靜脈之間以及與其他部位的血管之間通達(dá)。這種連通性特征對(duì)于手指靜脈圖像的識(shí)別和驗(yàn)證起著重要作用。(4)亮度和對(duì)比度：手指靜脈圖像中的亮度和對(duì)比度也是手指靜脈特征的一部分。不同人的手指靜脈圖像在亮度和對(duì)比度上會(huì)存在差異，這些差異可以用于識(shí)別和區(qū)分個(gè)體。(5)分支和交叉點(diǎn)：手指靜脈特征中的分支和交叉點(diǎn)也是重要的特征。手指靜脈圖像中的分支和交叉點(diǎn)的位置和形狀會(huì)對(duì)每個(gè)人的手指靜脈血管特征產(chǎn)生影響，因此可以作為識(shí)別和驗(yàn)證的依據(jù)之一。在對(duì)手指靜脈進(jìn)行識(shí)別之前首先要想對(duì)手指靜脈特征進(jìn)行提取，這里需要使用特定的設(shè)備對(duì)手指靜脈圖像進(jìn)行采集。這個(gè)過(guò)程涉及將手指放置在特定的掃描儀或傳感器上，以捕獲手指表面的靜脈圖像。這些設(shè)備使用紅外光或其他光學(xué)技術(shù)來(lái)拍攝手指靜脈圖像，因?yàn)殪o脈是在人體內(nèi)部的，所以這些設(shè)備能夠穿透皮膚來(lái)觀察靜脈模式。設(shè)備的型號(hào)的非常繁多的，但是他們的原理都是如此。其設(shè)備原理圖如圖2-1所示。圖2-1手指靜脈圖像采集設(shè)備原理圖用戶將手指放在設(shè)備上，設(shè)備發(fā)射紅外光線穿透人體皮膚便可清晰的展示出人手指靜脈的圖像再通過(guò)下方的攝像頭將其采集起來(lái)，之后將采集的圖像進(jìn)行預(yù)處理便可進(jìn)行特征的提取以及識(shí)別等下一步操作。2.2手指圖像的預(yù)處理從采集設(shè)備中獲取的原始靜脈圖像受到形變、光照不均等因素的影響，導(dǎo)致識(shí)別準(zhǔn)確率較差，因此需要對(duì)原始圖像進(jìn)行預(yù)處理。圖像預(yù)處理包含了去噪、提取ROI區(qū)域以及圖像增強(qiáng)等方式，常見(jiàn)的去噪方式有中值濾波、高斯濾波、均值濾波、winner濾波、小波去噪等使用哪種去噪的方式取決于圖像當(dāng)中存在的噪聲類型以及對(duì)圖像細(xì)節(jié)保留的需求來(lái)進(jìn)行選擇。常用提取ROI區(qū)域的方法有手動(dòng)選擇ROI區(qū)域、閾值分割、邊緣檢測(cè)以及形態(tài)學(xué)操作等方法，選擇合適的方式取決于圖像的特性目標(biāo)ROI的形狀和大小以及應(yīng)用的需求。而圖像增強(qiáng)的方法有直方圖均衡化、自適應(yīng)直方圖均衡化、對(duì)比度增強(qiáng)、銳化、顏色增強(qiáng)等等。通常圖像增強(qiáng)的方法需要在真正處理圖像時(shí)去進(jìn)行對(duì)比性的選擇才能選擇到理性的方式。圖像預(yù)處理可以讓手指靜脈的特征更加明顯以便于之后的提取以及識(shí)別。2.2.1圖像的去噪在對(duì)圖像的去噪之前首先需要確定噪聲的類型，常見(jiàn)的噪聲類型有以下幾種:(1)高斯噪聲:高斯噪聲是最常見(jiàn)的噪聲類型之一，它是由于電子設(shè)備、傳感器或信號(hào)傳輸過(guò)程中的隨機(jī)變化引起的。高斯噪聲的特點(diǎn)是在圖像中引入隨機(jī)的亮度變化，呈現(xiàn)出像素值圍繞中心值的正態(tài)分布。(2)椒鹽噪聲和胡椒噪聲:椒鹽噪聲和胡椒噪聲是圖像中出現(xiàn)的黑白點(diǎn)，分別表示像素值變?yōu)樽畲笾担ㄍǔ?55，表示白色）或最小值（通常為0，表示黑色）的情況。這種噪聲通常是由于圖像傳感器故障、數(shù)據(jù)傳輸錯(cuò)誤或儲(chǔ)存介質(zhì)損壞引起的。(3)泊松噪聲:泊松噪聲是一種統(tǒng)計(jì)性噪聲，常出現(xiàn)在低光照條件下的圖像中。它的特點(diǎn)是在像素值周?chē)腚S機(jī)的波動(dòng)，且波動(dòng)的幅度與像素值大小相關(guān)。(4)斑點(diǎn)噪聲:斑點(diǎn)噪聲是一種在圖像中出現(xiàn)的隨機(jī)亮度變化，通常由于成像設(shè)備或傳感器的缺陷引起。它的特點(diǎn)是在圖像中產(chǎn)生散亂的斑點(diǎn)狀噪聲。不同的噪聲所給出的視覺(jué)效果也不同，高斯噪聲和椒鹽噪聲的視覺(jué)效果如圖2-2所示。圖2-2加入了不同噪聲的圖像視覺(jué)效果這些噪聲類型在實(shí)際圖像中常常同時(shí)存在，因此圖像處理中需要針對(duì)不同類型的噪聲采用相應(yīng)的去噪方法來(lái)提高圖像質(zhì)量。常用的去噪方法有以下幾種(1)空間域?yàn)V波器:空間域?yàn)V波器通過(guò)在像素周?chē)泥徲騼?nèi)進(jìn)行像素值的平均或加權(quán)平均來(lái)降低噪聲。常見(jiàn)的空間域?yàn)V波器包括均值濾波器、中值濾波器和高斯濾波器。(2)頻域?yàn)V波器:頻域?yàn)V波器利用圖像的頻譜信息來(lái)降低噪聲。常見(jiàn)的頻域?yàn)V波器包括傅里葉變換和小波變換。(3)邊緣保留濾波器:邊緣保留濾波器能夠在去除噪聲的同時(shí)保留圖像的邊緣信息。常見(jiàn)的邊緣保留濾波器包括雙邊濾波器和非局部均值濾波器。(4)小波去噪:小波去噪是一種基于小波變換的去噪方法，它通過(guò)將圖像轉(zhuǎn)換到小波域，利用小波系數(shù)的稀疏性來(lái)降低噪聲。這些方法可以單獨(dú)應(yīng)用或組合使用，具體選擇取決于圖像的特點(diǎn)、噪聲類型和應(yīng)用場(chǎng)景。所以確定來(lái)了噪聲的類型才能使用正確的去噪方法來(lái)達(dá)到我們想要的去噪效果。2.2.2提取感興趣區(qū)域ROI對(duì)圖像去噪完成之后，確定感興趣的區(qū)域也很重要，例如研究對(duì)象的背景總不能是我們感興趣的區(qū)域，所以我們需要提取感興趣的區(qū)域。閾值分割是圖像處理中一種常用的分割方法，其基本思想是根據(jù)圖像中像素的灰度值與預(yù)先設(shè)定的閾值進(jìn)行比較，將像素分為不同的類別或區(qū)域。閾值分割通常用于將圖像分割為目標(biāo)物體和背景兩部分，或?qū)D像中具有不同灰度特征的區(qū)域分離開(kāi)來(lái)。閾值分割的基本步驟如下：(1)選擇閾值：首先需要選擇一個(gè)適當(dāng)?shù)拈撝祦?lái)將圖像中的像素分為兩類，一般通過(guò)觀察圖像的直方圖或根據(jù)經(jīng)驗(yàn)來(lái)確定閾值。(2)像素分類：對(duì)圖像中的每個(gè)像素進(jìn)行灰度值與閾值的比較，將像素分為兩類，通常是目標(biāo)物體和背景，或者是具有不同灰度特征的區(qū)域。(3)分割結(jié)果：根據(jù)像素的分類結(jié)果，可以得到分割后的圖像，其中目標(biāo)物體和背景被分離開(kāi)來(lái)，或者不同灰度特征的區(qū)域被分割開(kāi)來(lái)。閾值分割方法的優(yōu)點(diǎn)是簡(jiǎn)單易用，計(jì)算速度快，適用于許多圖像分割問(wèn)題。然而，閾值的選擇對(duì)分割結(jié)果影響較大，因此如何選擇合適的閾值是閾值分割方法的關(guān)鍵。而閾值分割也分為三種方法：(1)全局閾值法：通過(guò)選擇一個(gè)全局閾值將圖像分割為目標(biāo)物體和背景兩部分，常見(jiàn)的全局閾值選擇方法包括Otsu算法和基于直方圖的方法。(2)自適應(yīng)閾值法：根據(jù)圖像的局部特性選擇不同的閾值進(jìn)行分割，常見(jiàn)的自適應(yīng)閾值選擇方法包括基于局部均值或局部方差的方法。(3)多閾值分割法：將圖像分為多個(gè)灰度級(jí)別的區(qū)域，通常用于具有多個(gè)目標(biāo)物體或具有復(fù)雜灰度分布的圖像分割。2.2.3圖像增強(qiáng)圖像增強(qiáng)是改善圖像質(zhì)量、增強(qiáng)圖像特征或提高圖像視覺(jué)效果的一系列方法.圖像增強(qiáng)在圖像的預(yù)處理當(dāng)中有著關(guān)鍵性的作用，他可以強(qiáng)化ROI區(qū)域當(dāng)中我們想要提取的特征，使得特征更加明顯。常見(jiàn)的圖像增強(qiáng)的方法有:(1)直方圖均衡化：直方圖均衡化通過(guò)重新分配圖像像素的灰度級(jí)別，使得圖像的直方圖更均勻，從而增強(qiáng)圖像的對(duì)比度和細(xì)節(jié)。(2)自適應(yīng)直方圖均衡化(CLAHE)：自適應(yīng)直方圖均衡化將圖像分成小塊，并對(duì)每個(gè)小塊分別進(jìn)行直方圖均衡化，以避免在整個(gè)圖像上引入過(guò)多的噪聲。除此之外我們還能通過(guò)對(duì)比度增強(qiáng)，圖像銳化，色彩增強(qiáng)等多種方式對(duì)圖像進(jìn)行增強(qiáng)。CLAHE的基本思想是：CLAHE只處理一幅圖象中的一小塊區(qū)域（即切片），而非整幅圖象。在此基礎(chǔ)上，本文提出了一種新的圖像分割方法。每一層的反差都會(huì)被加強(qiáng)，這樣輸出的圖像就會(huì)和分布值所定義的圖像相一致。其次，采用雙線性內(nèi)插法對(duì)鄰近層進(jìn)行合并，去除了人工生成的邊界；可以限制（特別是同質(zhì)區(qū)域）的反差，以避免出現(xiàn)在放大圖象中的任何噪音。這一點(diǎn)主要是通過(guò)限定AHE算法中的反差增強(qiáng)度來(lái)實(shí)現(xiàn)的。對(duì)于特定象素值周?chē)姆床罘糯螅饕Q于轉(zhuǎn)換功能的傾斜度。傾斜度與區(qū)域累計(jì)直方圖的傾斜程度成正比。該算法首先對(duì)直方圖進(jìn)行預(yù)定義，然后對(duì)直方圖進(jìn)行裁剪，然后再進(jìn)行二值化處理，從而限制了圖像的放大率。這對(duì)CDF的斜率以及轉(zhuǎn)換功能的斜率進(jìn)行了限制。一個(gè)直方圖被剪切的值，稱為剪切剪切，依賴于直方圖的分布，因而也依賴于域尺寸的值。一般情況下，我們不能忽視在直方圖剪切范圍之外的數(shù)據(jù)，而是要把被剪切的數(shù)據(jù)平均分配到直方圖的其它區(qū)域它的原理見(jiàn)圖2-3。圖2-3CLAHE裁剪限幅原理示意圖2.3常見(jiàn)的特征提取算法需要注意的是，手指靜脈特征的具體特征會(huì)受到圖像采集設(shè)備和算法的影響。不同的設(shè)備和算法可能會(huì)提取和分析不同的特征，所以具體的特征表述會(huì)有所不同。因此我們需要使用合理方法去提取這些特征。常見(jiàn)的特征提取算法包括：(1)局部二值模式(LBP)：LBP是一種用于紋理分析的特征描述子。它通過(guò)對(duì)像素點(diǎn)與其周?chē)袼攸c(diǎn)進(jìn)行比較，提取局部紋理信息。LBP算法可以應(yīng)用于人臉識(shí)別、指紋識(shí)別等領(lǐng)域。(2)方向梯度直方圖(HOG)：HOG算法是一種用于物體檢測(cè)和識(shí)別的特征描述子。它通過(guò)計(jì)算圖像局部區(qū)域的梯度方向直方圖來(lái)表示圖像的特征。HOG算法在行人檢測(cè)、動(dòng)作識(shí)別等領(lǐng)域中廣泛應(yīng)用。(3)尺度不變特征變換(SIFT)：SIFT算法是一種用于圖像特征點(diǎn)提取和匹配的方法。它通過(guò)檢測(cè)圖像中的關(guān)鍵點(diǎn)，并計(jì)算這些關(guān)鍵點(diǎn)周?chē)鷧^(qū)域的尺度不變描述子，實(shí)現(xiàn)對(duì)圖像中的物體進(jìn)行識(shí)別和匹配。(4)速度不變特征變換(SURF)：SURF算法是一種對(duì)SIFT算法的改進(jìn)，用于圖像特征提取與匹配。它通過(guò)檢測(cè)圖像中的興趣點(diǎn)，并計(jì)算這些興趣點(diǎn)周?chē)鷧^(qū)域的速度不變描述子，具有高效性和尺度不變性。(5)灰度共生矩陣(GLCM)：GLCM是一種基于局部灰度級(jí)對(duì)關(guān)系的紋理特征提取方法。它通過(guò)統(tǒng)計(jì)圖像中不同像素之間的灰度級(jí)對(duì)的出現(xiàn)頻率和關(guān)系，反映圖像中局部區(qū)域的紋理變化特征。GLCM具有統(tǒng)計(jì)性質(zhì)和方向性，能夠描述圖像紋理的對(duì)比度、能量、相關(guān)性等特征。它具有灰度不變性和參數(shù)可調(diào)性，在紋理分析、目標(biāo)識(shí)別和圖像分類中被廣泛應(yīng)用。通過(guò)計(jì)算GLCM，我們可以從圖像中提取出反映紋理信息的特征，以幫助了解圖像的紋理結(jié)構(gòu)和特征。2.3.1LBP的原理和特點(diǎn)局部二進(jìn)制模式（LBP）是一種用于刻畫(huà)圖像局部紋理特性的算子；該算法在旋轉(zhuǎn)不變、灰度不變等方面有明顯的優(yōu)勢(shì)。該算法是在1994年由T.Ojala,M.Pietik?inen和D.Harwood提出的。此外，該方法還提取出了圖象的局部紋理特性；原來(lái)的LBP操作是將鄰近8個(gè)象素的灰度值與3x3窗內(nèi)的窗中心象素的灰度值作比較，如果周邊象素的值高于中央象素，就把這個(gè)象素的位置標(biāo)為1，反之，把它標(biāo)為0。通過(guò)這種方法，對(duì)3×3鄰域中的8個(gè)點(diǎn)進(jìn)行比較，可以生成8比特二進(jìn)制（一般換算成10進(jìn)制數(shù)，也就是LBP代碼，一共256個(gè)類型），也就是計(jì)算出此窗中央像素點(diǎn)的LBP值，以此來(lái)反映此區(qū)域的紋理信息。如圖2-1所示。圖2-1LBP計(jì)算流程圖其原理如下:LBP關(guān)注圖像中每個(gè)像素點(diǎn)與其鄰域像素之間的灰度差異，通過(guò)比較生成一個(gè)二進(jìn)制模式，用于描述該像素點(diǎn)周?chē)木植考y理特征。對(duì)于中心像素與鄰域像素的灰度值比較，若鄰域像素的灰度值大于或等于中心像素，則對(duì)應(yīng)位置的二進(jìn)制位設(shè)為1，否則設(shè)為0。通過(guò)連接這些二進(jìn)制位，形成一個(gè)二進(jìn)制數(shù)，即LBP碼。LBP對(duì)于灰度變化的魯棒性較強(qiáng)，因?yàn)樗P(guān)注的是局部紋理的模式，而不受整體亮度的影響。這使得LBP在一定程度上對(duì)于光照變化具有不變性。其特點(diǎn)如下:首先LBP的計(jì)算非常簡(jiǎn)單，只需要比較每個(gè)像素與其鄰域像素的灰度值。這使得LBP在實(shí)際應(yīng)用中具有較高的效率。其次LBP主要用于捕捉圖像的紋理信息，對(duì)于紋理較為豐富的區(qū)域有很好的表達(dá)能力。因此，它在紋理識(shí)別、紋理分類等任務(wù)中表現(xiàn)優(yōu)異。LBP對(duì)于局部紋理的變化具有不變性，這使得它在一些實(shí)際應(yīng)用中，如人臉識(shí)別、物體識(shí)別等方面表現(xiàn)出色。總體而言，LBP通過(guò)對(duì)圖像局部紋理的描述，簡(jiǎn)單而有效地捕捉了圖像的紋理特征，使得它在許多圖像處理任務(wù)中得到成功的應(yīng)用。2.3.2GLCM的原理和特點(diǎn)灰度共生矩陣能夠反映出灰度與空間的分布狀況，其表示方式為：給定垂直、水平、對(duì)角線等和的距離，例如1個(gè)象素或2個(gè)象素，通過(guò)將灰度i和j的象素在這個(gè)方向和距離上出現(xiàn)的次數(shù)除以N，從而獲得標(biāo)準(zhǔn)化，N對(duì)P起作用的象素對(duì)的總數(shù)。例子如下：在圖像中任意一點(diǎn)(x,y)及偏離它的一點(diǎn)(x+a,y+b)其中a，b為整數(shù)構(gòu)成像素點(diǎn)對(duì)。圖2-2GLCM運(yùn)算初始圖a為原灰度圖像，灰度級(jí)數(shù)為16，為了表示方便將灰度范圍減小到4級(jí)，即為圖2-3所示。圖2-3GLCM運(yùn)算過(guò)程圖圖b中黃色部分為圖e中像素值對(duì)（1,0）的個(gè)數(shù)值。圖2-4GLCM運(yùn)算換算圖圖2-5表示圖e中(1,2)位置所對(duì)應(yīng)的像素對(duì)。圖2-5GLCM運(yùn)算結(jié)果圖同樣地，在左下方方向上，也是對(duì)應(yīng)于相應(yīng)灰度值的矩陣；圖g是相應(yīng)于右向兩個(gè)象素的矩陣。通過(guò)比較可見(jiàn)，在圖e中，（0，1）、（1，2）、（2，3）、（3，0）都有很高的頻率。圖b顯示，在這張圖片中，有一個(gè)顯著的從左至右的結(jié)構(gòu)。a、b的取值越小，則與具有對(duì)角線上的灰度共生矩陣的值越大的緩變（粗糙和規(guī)律）相對(duì)應(yīng)。如果紋理改變得更快（更精細(xì)和更有規(guī)律），那么在對(duì)角線上的數(shù)字就會(huì)減少，在對(duì)角線兩邊的數(shù)字就會(huì)增加。但由于其數(shù)據(jù)規(guī)模巨大，因此通常不將其作為判別紋理的特征，而將其構(gòu)造成若干統(tǒng)計(jì)量來(lái)進(jìn)行分類。Haralick在研究灰色共生矩陣時(shí)，給出了14個(gè)統(tǒng)計(jì)量：能量，熵，對(duì)比度，一致性，相關(guān)性，方差，和平均，和方差，和熵，差分方差，差分平均，差分熵，相關(guān)信息度量，最大相關(guān)系數(shù)等。對(duì)比度：測(cè)量矩陣的數(shù)值在圖象中的分布情況，以及在圖象中有多小的改變。紋理的溝槽愈深，對(duì)比度愈高，其影響愈明顯；相反，如果反差較小，就會(huì)產(chǎn)生較淺的溝紋，從而影響圖像的清晰度。一個(gè)反映特定象素值和它的域像素的亮度的反差，圖象的輝度值變化很快，換言之，紋理越暗，其反差就會(huì)更大即它的質(zhì)地更清楚。其數(shù)學(xué)式如式2-1所示。(2-1)能量(Energy):能量轉(zhuǎn)換的結(jié)果反映了圖象的灰度分布及紋理的粗細(xì)程度。當(dāng)灰共生矩陣中各元素的數(shù)值相似時(shí)，其能量越低，說(shuō)明紋理細(xì)節(jié)越好；如果這些數(shù)值有的大，有的小，那么它們的能量就大。高的能量值表示更均勻且有規(guī)律的結(jié)構(gòu)圖案。其數(shù)學(xué)式如式2-2所示。(2-2)熵(Entropy):一幅圖象所含的信息量是任意的。在共存矩陣中，若各元素的數(shù)值都是相同的，或元素的數(shù)值具有極大的隨機(jī)性，則系統(tǒng)的熵會(huì)最大；所以，熵值反映了圖象的灰度分布的復(fù)雜性，它代表著圖象的復(fù)雜性。其數(shù)學(xué)式如式2-3所示。(2-3)同質(zhì)性/逆差距(Homogeneity):反變異是指圖象的局部紋理改變程度，如果圖象各區(qū)域之間比較均勻，變化比較慢，則逆變異就比較大。相反的，它是很小的。相對(duì)于反差或不一致，均勻性的重量會(huì)隨著元素?cái)?shù)值從對(duì)角線上離開(kāi)而減少，并且以指數(shù)形式減少。其數(shù)學(xué)式如式2-4所示。(2-4)相關(guān)性(Correlation):用于衡量一幅圖象的灰度等級(jí)，它是行或列兩個(gè)方向之間的相似性，它的數(shù)值反映了當(dāng)?shù)氐幕叶纫蕾囮P(guān)系。數(shù)學(xué)式如式2-5所示。(2-5)此外GLCM還具有能夠提供豐富的紋理信息，因?yàn)樗紤]了像素之間的灰度級(jí)別關(guān)系，而不僅僅是像素本身的灰度值。GLCM在處理具有復(fù)雜紋理的圖像時(shí)表現(xiàn)良好。它能夠捕捉到紋理的空間分布和方向性，對(duì)于描述組織結(jié)構(gòu)、紋理變化等方面具有優(yōu)勢(shì)。通過(guò)GLCM可以計(jì)算對(duì)比度、相關(guān)性等特征，這些特征有助于描述圖像中的明暗變化、紋理的方向性等信息。GLCM對(duì)于灰度變化相對(duì)較敏感，這可以在一些需要考慮灰度級(jí)別關(guān)系的應(yīng)用中起到積極的作用。由于GLCM的能力提取詳細(xì)的紋理信息，它在醫(yī)學(xué)圖像分析、土壤分類等領(lǐng)域得到廣泛應(yīng)用?？傮w而言，GLCM通過(guò)對(duì)圖像中像素之間的空間關(guān)系進(jìn)行統(tǒng)計(jì)分析，提供了一種豐富而全面的紋理特征描述方式，使其在許多圖像分析和處理任務(wù)中都具有廣泛的應(yīng)用前景。2.3.3LBP和GLCM在生物特征中的優(yōu)勢(shì)LocalBinaryPattern(LBP)和灰度共生矩陣(GLCM)是用于圖像處理和生物特征識(shí)別的常見(jiàn)特征提取方法。它們?cè)诓煌矫嬗幸恍﹥?yōu)勢(shì)，特別是在處理紋理特征時(shí)。首先是LBP，LBP相對(duì)于其他的方法計(jì)算較為簡(jiǎn)單是一種簡(jiǎn)單而高效的紋理特征提取方法。它基于像素點(diǎn)與其鄰域像素點(diǎn)之間灰度值的差異，通過(guò)比較二制碼來(lái)表示紋理信息，LBP的數(shù)學(xué)表達(dá)式如式2-6，其中(xc,yc)是中心像素，ic是灰度值，in為相鄰像素的灰度值，s是一個(gè)一個(gè)函數(shù)符號(hào)如式2-7。(2-6)(2-7)其次LBP在一定程度上對(duì)光照條件不敏感。主要是它關(guān)注局部紋理模式的變化不受整體亮度的變化而變化，LBP特別適用于描述圖像中的紋理信息，因此在生物特征識(shí)別當(dāng)中非常實(shí)用。GLCM(灰度共生矩陣)在紋理信息方面描述的非常詳細(xì)，GLCM捕捉了圖像中像素灰度級(jí)別之間的空間關(guān)系，因此提供了更豐富和詳細(xì)的紋理信息。這對(duì)于生物特征中的細(xì)微紋理差異至關(guān)重要。其次GLCM適用于空間統(tǒng)計(jì)，主要用于描述像素間的空間統(tǒng)計(jì)關(guān)系，因此在生物特征中，特別是在醫(yī)學(xué)圖像分析中，可以用于識(shí)別和描述組織結(jié)構(gòu)等方面。最后GLCM提供了一系列統(tǒng)計(jì)度量，如對(duì)比度、相關(guān)性、能量和熵等，這些度量可以用于定量地描述圖像的紋理特征。2.4多特征融合的方法多特征融合是一種將不同特征或不同來(lái)源的信息結(jié)合起來(lái)以提高模型性能或任務(wù)性能的方法。其中一些常見(jiàn)的包括：(1)特征級(jí)融合：將來(lái)自不同特征提取器（如顏色、紋理、形狀等）的特征向量直接合并為一個(gè)更大的特征向量。這種融合方法通常用于傳統(tǒng)的機(jī)器學(xué)習(xí)方法中。(2)決策級(jí)融合：綜合或集成多個(gè)模式或資訊來(lái)源的決定或預(yù)測(cè)，以得到最后的決定。常用的決策層融合算法有：投票法，加權(quán)平均法，綜合學(xué)習(xí)法等。(3)特征權(quán)重融合：給不同的特征賦以不同的權(quán)值，再把加權(quán)的特征組合成一個(gè)完整的特征。這些權(quán)重可以通過(guò)專家知識(shí)、數(shù)據(jù)驅(qū)動(dòng)方法或者訓(xùn)練得到。(4)深度學(xué)習(xí)中的融合方法：在深度學(xué)習(xí)中，多特征融合可以通過(guò)在神經(jīng)網(wǎng)絡(luò)中設(shè)計(jì)多分支結(jié)構(gòu)、多輸入結(jié)構(gòu)或多輸出結(jié)構(gòu)來(lái)實(shí)現(xiàn)。例如，特征級(jí)別融合可以通過(guò)拼接多個(gè)分支的輸出來(lái)實(shí)現(xiàn)，決策級(jí)融合可以通過(guò)將多個(gè)分支的預(yù)測(cè)結(jié)果進(jìn)行融合來(lái)實(shí)現(xiàn)。在實(shí)際應(yīng)用中，多特征融合的選擇取決于任務(wù)的性質(zhì)、數(shù)據(jù)的特點(diǎn)以及所需的特征表達(dá)能力。綜合利用多種特征有助于提高模型的魯棒性和性能。2.5手指圖像匹配-機(jī)器學(xué)習(xí)常見(jiàn)的多特征特征的匹配方法包括：(1)基于加權(quán)求和的融合：將多個(gè)特征的匹配結(jié)果按一定權(quán)重進(jìn)行加權(quán)求和，得到最終的匹配結(jié)果。每個(gè)特征的權(quán)重可以根據(jù)其重要性或可信度進(jìn)行設(shè)定。這種方法簡(jiǎn)單直觀，適用于特征之間相互獨(dú)立的情況。(2)基于特征級(jí)聯(lián)的融合：將不同特征的匹配結(jié)果級(jí)聯(lián)起來(lái)，通過(guò)建立特征之間的約束關(guān)系，提高匹配的準(zhǔn)確性。例如，首先使用某一特征進(jìn)行初始匹配，然后基于該匹配結(jié)果對(duì)其他特征進(jìn)行進(jìn)一步匹配。(3)基于相似性度量的融合：在此基礎(chǔ)上，提出了一種基于相似性測(cè)度的圖像融合方法。例如，將不同特征的相似度度量歸一化到相同的范圍，然后將它們相加或取平均值。(4)基于機(jī)器學(xué)習(xí)方法的融合：使用機(jī)器學(xué)習(xí)模型，如支持向量機(jī)（SVM）、隨機(jī)森林（Random

Forest）等，通過(guò)訓(xùn)練來(lái)學(xué)習(xí)特征間的關(guān)系和權(quán)重。這些模型可以根據(jù)特征的表征能力和區(qū)分度，自動(dòng)調(diào)整特征的權(quán)重或進(jìn)行特征選擇。(5)基于圖模型的融合：利用圖模型來(lái)描述特征之間的依賴關(guān)系和約束關(guān)系，通過(guò)圖的最優(yōu)化算法(如圖割、圖匹配等)來(lái)進(jìn)行特征的聯(lián)合匹配。圖模型能夠有效地考慮特征之間的上下文信息，提高匹配的準(zhǔn)確性。在多特征融合匹配中，常用的機(jī)器學(xué)習(xí)方法包括：(1)支持向量機(jī)(SVM)：SVM是一種二分類模型，通過(guò)訓(xùn)練數(shù)據(jù)學(xué)習(xí)一個(gè)判別函數(shù)來(lái)進(jìn)行分類。在多特征融合匹配中，可以將不同特征的匹配結(jié)果作為特征向量，將匹配與非匹配的樣本進(jìn)行訓(xùn)練，通過(guò)SVM學(xué)習(xí)一個(gè)分類器來(lái)進(jìn)行匹配。其原理圖如下圖所示：圖2-6SVM原理示例圖(2)隨機(jī)森林(Random

Forest)：隨機(jī)森林是一種包含多棵決策樹(shù)的集成學(xué)習(xí)算法。在多個(gè)特征的融合匹配中，建立了一個(gè)隨機(jī)森林模型，利用多個(gè)決策樹(shù)對(duì)不同特征的匹配結(jié)果進(jìn)行集成和融合，從而得到更可靠的匹配結(jié)果。(3)判別器網(wǎng)絡(luò)(Discriminator

Networ)：判別器網(wǎng)絡(luò)是產(chǎn)生式對(duì)抗網(wǎng)絡(luò)（generativeanti-networks,GAN）的核心內(nèi)容之一。它的任務(wù)是區(qū)別真正的樣品和產(chǎn)生的樣品。在人工免疫網(wǎng)絡(luò)中，鑒別子是一種神經(jīng)網(wǎng)絡(luò)模型，一般采用兩種分類方法。它的任務(wù)是評(píng)估輸入樣本的真實(shí)性，通過(guò)分配一個(gè)概率分?jǐn)?shù)來(lái)表示輸入樣本是真實(shí)樣本還是生成樣本的概率。區(qū)分算子的目的是在保證對(duì)實(shí)際樣品進(jìn)行正確分類的前提下，盡可能減少對(duì)產(chǎn)生/錯(cuò)誤樣品的錯(cuò)誤識(shí)別。判別網(wǎng)絡(luò)從訓(xùn)練集上接受一個(gè)采樣，這個(gè)采樣既可以是訓(xùn)練集的實(shí)際采樣，也可以是由生成器網(wǎng)絡(luò)產(chǎn)生的。區(qū)分算子的目的是在保證對(duì)實(shí)際樣品進(jìn)行正確分類的前提下，盡可能減少對(duì)產(chǎn)生/它對(duì)輸入采樣進(jìn)行處理，并生成一個(gè)數(shù)值，一般是0到1的數(shù)值。這個(gè)結(jié)果代表了一個(gè)輸入樣品是一個(gè)真正樣品的可能性，它的值越靠近1，說(shuō)明這個(gè)樣品是一個(gè)真正的樣品。判別器網(wǎng)絡(luò)的架構(gòu)可以根據(jù)具體任務(wù)和數(shù)據(jù)特點(diǎn)進(jìn)行設(shè)計(jì)。(4)K最近鄰(K-Nearest

Neighbors，KNN)：是一種常用的機(jī)器學(xué)習(xí)算法，常用于分類和回歸任務(wù)。它基于實(shí)例之間的相似度進(jìn)行預(yù)測(cè)或分類。KNN的基本思路是：對(duì)一個(gè)新的樣本，利用歐氏距離或者其它距離測(cè)度，計(jì)算出該樣本到訓(xùn)練集的全部樣本之間的距離，并從中選取最接近的k個(gè)近鄰樣本。其次，在分類問(wèn)題上，KNN利用這k個(gè)近鄰標(biāo)記，為新樣本選擇一個(gè)預(yù)測(cè)標(biāo)記；在回歸問(wèn)題中，KNN通過(guò)這k個(gè)近鄰的數(shù)值來(lái)預(yù)測(cè)一個(gè)新的樣本。最常見(jiàn)的方法是選擇k個(gè)鄰居中最常見(jiàn)的類別作為預(yù)測(cè)結(jié)果。具體的機(jī)器學(xué)習(xí)方法還要在系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)中進(jìn)行數(shù)據(jù)的測(cè)試來(lái)得出最佳的學(xué)習(xí)方法以確保最高的匹配精度。3手指靜脈識(shí)別系統(tǒng)設(shè)計(jì)3.1手指靜脈識(shí)別系統(tǒng)功能手指靜脈識(shí)別系統(tǒng)具有強(qiáng)大的功能，其是利用人體靜脈圖像中的獨(dú)特模式來(lái)進(jìn)行身份的識(shí)別或認(rèn)證，它的主要功能是：通過(guò)對(duì)用戶的指紋和預(yù)先保存在系統(tǒng)中的模板進(jìn)行對(duì)比，實(shí)現(xiàn)對(duì)使用者的身份的認(rèn)證。這種認(rèn)證方式比傳統(tǒng)的密碼或者身份證認(rèn)證更安全可靠，因?yàn)槭种胳o脈模式是與個(gè)體獨(dú)特相關(guān)的生物特征。3.2手指靜脈識(shí)別系統(tǒng)設(shè)計(jì)流程手指靜脈識(shí)別是一種生物特征識(shí)別技術(shù)，依賴于手指靜脈網(wǎng)絡(luò)的獨(dú)特模式。手指靜脈圖像識(shí)別主要包含四個(gè)步驟:數(shù)據(jù)采集、圖像處理、特征提取、匹配和決策。每個(gè)階段都需要使用合適的算法和技術(shù)來(lái)確保識(shí)別系統(tǒng)的準(zhǔn)確性和可靠性。首先，需要對(duì)使用識(shí)別系統(tǒng)的用戶采集手指靜脈圖像，并對(duì)采集到的圖像進(jìn)行預(yù)處理以提高圖像質(zhì)量，預(yù)處理包括圖像增強(qiáng)、去噪、感興趣區(qū)域提取等；然后，從預(yù)處理的手指靜脈圖像中提取具有區(qū)分性的特征；最后，使用匹配算法對(duì)提取的特征進(jìn)行相似度度量，從而實(shí)現(xiàn)基于手指靜脈的身份認(rèn)證。手指靜脈識(shí)別系統(tǒng)的設(shè)計(jì)流程如圖3-1所示。圖3-1手指靜脈識(shí)別系統(tǒng)設(shè)計(jì)流程圖根據(jù)此流程圖我們?cè)O(shè)計(jì)手指靜脈識(shí)別系統(tǒng)，其實(shí)現(xiàn)流程圖如圖3-2所示圖3-2手指靜脈識(shí)別系統(tǒng)實(shí)現(xiàn)流程圖3.3手指靜脈識(shí)別系統(tǒng)GUI界面設(shè)計(jì)手指靜脈識(shí)別系統(tǒng)GUI界面如圖3-3所示。圖3-3手指靜脈識(shí)別系統(tǒng)GUI界面設(shè)計(jì)圖其中包含了五個(gè)模塊，其中有特征提取與機(jī)器學(xué)習(xí)模塊，圖像去噪模塊，閾值分割模塊，圖像增強(qiáng)模塊以及識(shí)別模塊，其中特征提取與機(jī)器學(xué)習(xí)模塊包括加載數(shù)據(jù)集，提取特征以及開(kāi)始訓(xùn)練三個(gè)按鈕這個(gè)模塊可以對(duì)選擇的數(shù)據(jù)集進(jìn)行提取特征以及訓(xùn)練特征，之后點(diǎn)擊載入待測(cè)試圖像去進(jìn)行系統(tǒng)的識(shí)別，圖像去噪模塊包含了加入噪聲和去除噪聲的功能是圖像預(yù)處理的第一步，閾值分割用來(lái)提取ROI區(qū)域是圖像預(yù)處理的第二步，圖像增強(qiáng)是圖像預(yù)處理的第三步，最后點(diǎn)擊提取特征并識(shí)別按鈕便可以得出識(shí)別結(jié)果并且語(yǔ)音播報(bào)。4手指靜脈識(shí)別系統(tǒng)的實(shí)現(xiàn)4.1系統(tǒng)環(huán)境要求以及相關(guān)數(shù)據(jù)集手指靜脈識(shí)別系統(tǒng)的運(yùn)行環(huán)境要求主要有以下幾點(diǎn):(1)硬件要求:攝像頭或者傳感器用于捕獲手指靜脈圖像設(shè)備，通常需要具備高分辨率和適當(dāng)?shù)撵`敏度。處理器能夠處理圖像采集，特征提取和匹配算法的計(jì)算機(jī)或者嵌入式處理器。存儲(chǔ)器用于存儲(chǔ)用戶的靜脈特征模板和系統(tǒng)運(yùn)行所需的數(shù)據(jù)和程序。(2)軟件要求:支持系統(tǒng)運(yùn)行的操作系統(tǒng)如Windows、Linux、Android等。在這方面的研究當(dāng)中有許多國(guó)內(nèi)外的學(xué)者已經(jīng)在這方面做出了巨大的貢獻(xiàn)并且創(chuàng)建了自己的數(shù)據(jù)集，其數(shù)據(jù)集如下表4-1所示。表4-1列出了現(xiàn)有的常用公開(kāi)手指靜脈數(shù)據(jù)集數(shù)據(jù)庫(kù)志愿者每個(gè)志愿者采集的手指數(shù)每個(gè)手指圖像數(shù)圖像總數(shù)單位尺寸PKU101401-4550700北京大學(xué)514x384SDU106663816山東大學(xué)320x240HKPU156312/66264香港理工大學(xué)513x256MMCBNU1006106000全北國(guó)立大學(xué)480x640THU22011440清華大學(xué)720x576FV-USM[15]123465904馬來(lái)西亞大學(xué)640x4804.1.1系統(tǒng)運(yùn)行的環(huán)境要求在本設(shè)計(jì)當(dāng)中，所有的算法均在MATLAB2023a當(dāng)中實(shí)現(xiàn)，電腦配置為2.9GHZ、16GBRAM的AMD

Ryzen

7

4800H的CPU。硬件設(shè)備2.9GHZ主頻的CPU和16GB的運(yùn)行內(nèi)存可以讓該系統(tǒng)運(yùn)行起來(lái)游刃有余不會(huì)造成使用的卡頓和系統(tǒng)的崩潰，軟件系統(tǒng)選擇在MATLAB2023a的原因是因?yàn)槠涫且粋€(gè)很強(qiáng)大的圖像處理軟件可以支持本文上述提出的算法，對(duì)系統(tǒng)的實(shí)現(xiàn)具有戰(zhàn)略性意義。系統(tǒng)運(yùn)行的參數(shù)如下圖所示。圖4-1系統(tǒng)運(yùn)行參數(shù)圖4.1.2數(shù)據(jù)集的采集與劃分本系統(tǒng)使用了馬來(lái)西亞大學(xué)的FV-USM[15]資料庫(kù)中的影像資料，是由123位馬來(lái)西亞各大學(xué)的教師及學(xué)生所組成，其中83位男士，40位女士。研究對(duì)象從20到52歲不等。每位實(shí)驗(yàn)對(duì)象提供4根指頭：左手食指，左手中指，右手食指，右手中指，一共得到492種指類。采集到的手指影像有兩個(gè)主要特征，即幾何體與靜脈體。以一組為一組，每組抽取6根樣本，每組參加兩組，每組間隔2周以上。在第一階段，共收集了2952張(123x4x6)圖像。因此，從兩個(gè)會(huì)話中，我們從492個(gè)手指類別中總共獲得了5904張圖像。捕獲的手指圖像的空間分辨率和深度分辨率分別為640x480和256灰度級(jí)。圖4-2原始數(shù)據(jù)集一個(gè)人4根手指圖4-3一根手指六張圖在對(duì)圖像批量處理的過(guò)程當(dāng)中為了使得處理結(jié)果更加完美，該數(shù)據(jù)庫(kù)當(dāng)中有其中小部分圖像出現(xiàn)了瑕疵就比如同一個(gè)手指的六張圖片當(dāng)中會(huì)出現(xiàn)兩個(gè)手指在同一張圖片的情況，這樣會(huì)對(duì)之后的實(shí)驗(yàn)結(jié)果產(chǎn)生較大的影響，因此手動(dòng)挑選了80個(gè)類的完美圖片(六張圖片每張圖片僅出現(xiàn)一個(gè)手指且光線較為明亮)一共480張圖片，將其命名為‘手指靜脈圖像80劃分’。我們還需將其中80個(gè)類的圖片劃分為訓(xùn)練集和測(cè)試集，我使用隨機(jī)劃分的方式將每一個(gè)類當(dāng)中4張圖片作為訓(xùn)練集2張圖片作為測(cè)試集來(lái)進(jìn)行數(shù)據(jù)集的劃分。4.2GUI界面實(shí)現(xiàn)指靜脈識(shí)別系統(tǒng)的GUI界面如圖4-4所示：圖4-4指靜脈識(shí)別系統(tǒng)GUI界面其使用方法為首先先在左上角第一個(gè)按鈕進(jìn)行數(shù)據(jù)集的加載，加載出要進(jìn)行訓(xùn)練的數(shù)據(jù)集，接著下方有一個(gè)下拉菜單欄可以選擇要提取或者融合的特征類別，之后點(diǎn)擊提取特征和開(kāi)始訓(xùn)練之后就會(huì)直接顯示出訓(xùn)練集和測(cè)試集的準(zhǔn)確度。若要進(jìn)行過(guò)程的詳細(xì)了解可以在左下角按鈕點(diǎn)擊載入待測(cè)試圖像，點(diǎn)擊選擇80劃分文件夾里的測(cè)試集圖片文件載入后進(jìn)行后續(xù)操作。圖4-5GUI界面數(shù)據(jù)加載過(guò)程之后從左到右從上到下依次點(diǎn)擊過(guò)后便可點(diǎn)擊最后的提取特征并識(shí)別按鈕，就可以知道最終的結(jié)果是否識(shí)別正確。其中有下拉菜單欄的按鈕可以選擇不同的體現(xiàn)形式。最后運(yùn)行完結(jié)果如下：圖4-6GUI界面總體實(shí)現(xiàn)效果圖最終識(shí)別結(jié)果為圖片001-3，識(shí)別結(jié)果正確。接下來(lái)便是系統(tǒng)實(shí)現(xiàn)的過(guò)程。4.3手指靜脈識(shí)別系統(tǒng)的實(shí)現(xiàn)過(guò)程4.3.1數(shù)據(jù)集的加載和訓(xùn)練數(shù)據(jù)集的加載我們可以點(diǎn)擊GUI界面當(dāng)中的加載數(shù)據(jù)集的按鈕，其跳轉(zhuǎn)的文件路徑為C:\Users\ASUS\Desktop\2KH-手指靜脈識(shí)別GUI2\2KH-手指靜脈識(shí)別GUI\手指靜脈數(shù)據(jù)集80劃分。其中包含了訓(xùn)練集和測(cè)試集其效果如圖4-7所示。圖4-8數(shù)據(jù)集的加載加載完成之后點(diǎn)擊開(kāi)始訓(xùn)練按鈕，系統(tǒng)便會(huì)對(duì)訓(xùn)練集當(dāng)中的數(shù)據(jù)進(jìn)行訓(xùn)練。4.3.2加載測(cè)試圖測(cè)試圖顧名思義是從測(cè)試集里進(jìn)行挑選的，其中的圖片系統(tǒng)在進(jìn)行訓(xùn)練的時(shí)候是沒(méi)有訓(xùn)練過(guò)的，對(duì)于系統(tǒng)來(lái)說(shuō)這是一張陌生的圖片，以至于該系統(tǒng)具有較強(qiáng)的科學(xué)性。測(cè)試集詳情如圖4-9所示。圖4-9測(cè)試集詳情由此可以看出測(cè)試集確實(shí)每個(gè)文件僅有兩張圖片。4.3.3模擬噪聲和去噪首先將圖像進(jìn)行讀取，對(duì)其進(jìn)行去噪和ROI區(qū)域提取以及圖像增強(qiáng)的處理。由于在原始圖像的采集環(huán)境當(dāng)中可能存在噪聲的因素所以要對(duì)其進(jìn)行去噪的處理，但是在原始圖像當(dāng)中噪聲不太明顯我們要對(duì)其進(jìn)行補(bǔ)躁，所以先分別加入默認(rèn)值為0方差為0.01高斯噪聲和密度為0.1的椒鹽噪聲效果圖如圖4-10,4-11所示.圖4-10加高斯白噪圖像 圖4-11加椒鹽噪聲圖像接著使用不同的方式對(duì)兩種不同的噪聲進(jìn)行去噪，首先使用均值濾波器(3x3)對(duì)加入高斯噪聲的圖像進(jìn)行去噪效果圖如圖4-12所示。再使用高斯濾波對(duì)加入高斯噪聲的圖像進(jìn)行去噪，效果圖如圖4-13所示。圖4-12均值濾波去噪效果圖圖4-13高斯濾波去噪效果圖接著使用winner濾波對(duì)加入高斯噪聲的圖像進(jìn)行去噪，效果圖如圖4-14所示。使用中值濾波對(duì)加入椒鹽噪聲的圖像進(jìn)行去噪，效果圖如圖4-14所示。圖4-14winner濾波去噪效果圖圖4-14中值濾波去噪效果圖使用雙邊濾波對(duì)加入椒鹽噪聲的圖像進(jìn)行去噪，效果圖如圖4-15所示。圖4-15雙邊濾波去噪效果圖總結(jié)出使用均值濾波、高斯濾波、winner濾波對(duì)高斯噪聲的去噪并不能完全的去除，使用雙邊濾波也不能將椒鹽噪聲完全的去除干凈，然而使中值濾波的方式可以將椒鹽噪聲基本上完全的去除干凈，對(duì)接下來(lái)的實(shí)驗(yàn)過(guò)程有著很好的推進(jìn)作用。4.3.4閾值分割與圖像增強(qiáng)本文使用的是系統(tǒng)學(xué)閾值分割的方式將ROI區(qū)域進(jìn)行提取，首先在提取之前將原始圖像以x軸的方向進(jìn)行二分裁剪，再采用Adaptthresh和形態(tài)學(xué)操作對(duì)ROI區(qū)域進(jìn)行提取,效果圖如圖4-16所示。圖4-16ROI提取提取ROI區(qū)域之后，去除了背景等許多的無(wú)關(guān)因素，更有助于推進(jìn)接下來(lái)的實(shí)驗(yàn)。提取了ROI區(qū)域之后接著對(duì)ROI區(qū)域進(jìn)行圖像增強(qiáng)以增強(qiáng)手指靜脈的各種特征，對(duì)接下來(lái)的特征提取具有關(guān)鍵性意義，圖像增強(qiáng)這里我使用兩種方式，第一類是直方圖均衡法，它主要用于提高圖象的整體對(duì)比度，特別是在圖象中有用信息的對(duì)比度比較相近的情況下。這樣，圖像的亮度就能很好的均勻分布在直方圖上。它可以被用來(lái)提高局部的對(duì)比度，而不會(huì)對(duì)全局的對(duì)比度產(chǎn)生影響。第二種對(duì)比度限制自適應(yīng)直方圖均衡(CLAHE)。使用兩種方法圖像增強(qiáng)的效果如圖4-17,4-18所示。圖4-17直方圖均衡化圖4-18CLAHE在圖像增強(qiáng)算法中，我們首先采用了CLAHE算法進(jìn)行一次對(duì)比度限制自適應(yīng)的直方圖均衡，這樣有利于更好地提取不同局部的特征；其后再進(jìn)行一次全局的直方圖均衡，這樣則可以將CLAHE已經(jīng)強(qiáng)化過(guò)的特征再一次增強(qiáng)。而如果順序相反，則得出的圖像指靜脈更加細(xì)小、不夠明顯。值得注意的是，如果進(jìn)行兩次CLAHE，那么第二次CLAHE的會(huì)使得圖像均衡過(guò)度進(jìn)而損失指靜脈細(xì)節(jié)。因此便可以獲得用來(lái)提取特征的圖像，效果圖如圖4-19,4-20所示。圖4-19先直方圖均衡再CLAHE圖4-20先CLAHE再直方圖均衡4.3.5LBP特征提取在靜脈圖像識(shí)別系統(tǒng)中，特征抽取是一個(gè)十分重要的步驟，它的好壞將直接影響到圖像的識(shí)別效果。目前的靜脈特征提取方法可以劃分為三類，分別是基于紋理的、基于編碼的和基于細(xì)節(jié)點(diǎn)的。圖像匹配是進(jìn)行靜脈識(shí)別的最后一步，不同的提取特征類型往往有其對(duì)應(yīng)的匹配方法，而合適的匹配方法能夠極大提高識(shí)別精度。在傳統(tǒng)的靜脈影像匹配算法中，通常使用一定的距離來(lái)衡量類內(nèi)的匹配得分以及類內(nèi)的匹配得分。當(dāng)兩個(gè)樣品之間的差異小于某個(gè)臨界值時(shí)，表示它們屬于同一類別，否則就屬于不同的類別。期望通過(guò)所采用的匹配方法盡可能地減小同一類樣品之間的間距（類內(nèi)距離），并且盡可能大地提高類之間的間距。如此樣本更易區(qū)分。本文采用的是利用算法對(duì)LBP和GLCM特征進(jìn)行提取。LBP特征提取的步驟為：確定局部區(qū)域：將圖像劃分為不重疊的小塊或者以像素為中心的鄰域。計(jì)算LBP：針對(duì)每一局部區(qū)域，以此為中心點(diǎn)，將其鄰近點(diǎn)和中心點(diǎn)相比較。若鄰近象素值比中央象素值大，就記1；反之，則記0。將所得二進(jìn)制碼變換成十進(jìn)制數(shù)，即為L(zhǎng)BP值。統(tǒng)計(jì)LBP模式：對(duì)于每個(gè)局部區(qū)域，統(tǒng)計(jì)不同LBP模式的直方圖，得到該區(qū)域LBP特征向量?？梢赃x擇不同的LBP模式，例如基本LBP、旋轉(zhuǎn)不變的LBP（RI-LBP）等。合并特征向量：將每個(gè)局部區(qū)域的LBP特征向量組合成一個(gè)全局特征向量。特征歸一化：根據(jù)需要，對(duì)全局特征向量進(jìn)行歸一化，以便更好地表示圖像紋理。實(shí)驗(yàn)效果如圖4-21所示。圖4-21LBP特征提取結(jié)果圖由此圖可得一共包含了59個(gè)特征值。4.3.6GLCM特征提取GLCM特征提取的步驟為：定義鄰域：選擇一個(gè)特定的鄰域大小和方向，確定在圖像中需要計(jì)算紋理特征的像素對(duì)。構(gòu)建GLCM矩陣：對(duì)于每個(gè)像素對(duì)，計(jì)算它們之間的相對(duì)位置關(guān)系?？梢赃x擇不同的相對(duì)位置關(guān)系，如水平、垂直、對(duì)角線等。統(tǒng)計(jì)這些像素對(duì)在鄰域中出現(xiàn)的頻率，構(gòu)建GLCM矩陣。歸一化GLCM：將GLCM矩陣進(jìn)行歸一化，以便更好地表示紋理特征。計(jì)算紋理特征：利用GLCM矩陣可以計(jì)算一系列紋理特征，如能量（Energy）、對(duì)比度（Contrast）、相關(guān)性（Correlation）、均勻度（Homogeneity）等。特征選擇或分類：根據(jù)具體任務(wù)的需求，可以選擇一部分重要的紋理特征進(jìn)行分析和使用，或者將這些特征輸入到分類器中進(jìn)行模式識(shí)別。實(shí)驗(yàn)結(jié)果如圖4-22,4-23所示。圖4-22GLCM特征提取結(jié)果圖圖4-23歸一化參數(shù)處理提取完上述特征之后，便可以將提取的特征應(yīng)用到機(jī)器學(xué)習(xí)分類器當(dāng)中進(jìn)行學(xué)習(xí)識(shí)別。4.3.7分類器的選擇以及數(shù)據(jù)分析圖像識(shí)別和機(jī)器學(xué)習(xí)是密切相關(guān)的。圖像識(shí)別是一種利用計(jì)算機(jī)對(duì)圖像進(jìn)行分析、理解和識(shí)別的過(guò)程。在圖象識(shí)別領(lǐng)域，機(jī)器學(xué)習(xí)的任務(wù)就是使計(jì)算機(jī)能夠從海量的圖象中自動(dòng)地提取特征，并對(duì)其進(jìn)行分類。通過(guò)機(jī)器學(xué)習(xí)算法，計(jì)算機(jī)可以根據(jù)訓(xùn)練數(shù)據(jù)中的圖像和對(duì)應(yīng)的標(biāo)簽進(jìn)行模型的訓(xùn)練，從而學(xué)習(xí)到圖像的特征模式和類別之間的關(guān)聯(lián)。首先我們選擇較為常用的KNN，K最近鄰作為分類器對(duì)提取的LBP特征值進(jìn)行訓(xùn)練，其分類器的工作效果如圖4-24所示。圖4-24KNN函數(shù)工作過(guò)程最終得出的數(shù)據(jù)為：圖4-25針對(duì)LBP特征使用knn分類器的訓(xùn)練結(jié)果接著針對(duì)提取的GLCM特征值進(jìn)行訓(xùn)練，其訓(xùn)練結(jié)果如圖5-18所示。圖4-26針對(duì)GLCM特征使用knn分類器的訓(xùn)練結(jié)果之后將兩種特征融合的特征值進(jìn)行訓(xùn)練其訓(xùn)練結(jié)果如圖5-19所示。圖4-27針對(duì)GLCM-LBP特征使用knn分類器的訓(xùn)練結(jié)果最終匯總訓(xùn)練結(jié)果，其綜合數(shù)據(jù)表如下表所示。表4-2KNN訓(xùn)練準(zhǔn)確度表特征KNNLBPGLCMLBP_GLCM訓(xùn)練集準(zhǔn)確度%100.0000000100.0000000100.0000000測(cè)試集準(zhǔn)確度%83.75000075.00000082.500000根據(jù)上表可以看出雖然訓(xùn)練集的精確度都能達(dá)到百分之百，但是實(shí)戰(zhàn)測(cè)試集的準(zhǔn)確度卻差強(qiáng)人意，而且融合特征之后的準(zhǔn)確度并不會(huì)高于單一特征。因此我選擇另一個(gè)分類器進(jìn)行實(shí)驗(yàn)測(cè)試。第二種使用的是判別器網(wǎng)絡(luò)（DiscriminatorNetwork）對(duì)提取的LBP特征值進(jìn)行訓(xùn)練，其分類器的工作效果如圖4-28所示圖4-28判別器網(wǎng)絡(luò)工作效果圖最終得出的數(shù)據(jù)為：圖4-29針對(duì)LBP特征使用判別器分類器的訓(xùn)練結(jié)果接著針對(duì)提取的GLCM特征值進(jìn)行訓(xùn)練，其訓(xùn)練結(jié)果如圖5-22所示。圖4-30針對(duì)GLCM特征使用判別器分類器的訓(xùn)練結(jié)果之后將兩種特征融合的特征值進(jìn)行訓(xùn)練其訓(xùn)練結(jié)果如圖5-23所示。圖4-31針對(duì)GLCM-LBP特征使用判別器分類器的訓(xùn)練結(jié)果實(shí)驗(yàn)結(jié)果如下表所示。表4-3網(wǎng)絡(luò)判別器訓(xùn)練結(jié)果特征網(wǎng)絡(luò)判別器LBPGLCMLBP_GLCM訓(xùn)練集準(zhǔn)確度%99.37500099.375000100.000000測(cè)試集準(zhǔn)確度%91.8750008