手指静脉识别系统矩形阵列光源特性分析及优化设计

手指静脉图像质量的高低直接影响手指静脉的识别效率。针对单个近红外LED的光照均匀度相对较差,如何利用多个近红外LED构造一个高质量的光源进行了研究。讨论了矩形阵列光源的结构、空间、形状等参数对静脉图像影响,利用斯派罗法则对各种参数极值找出最优解,再结合手指个体的差异和指型特性,设计照度面为25 mm×25 mm矩形光源阵列。通过对比实验,利用最优参数设计的阵列光源,能够采集到高质量的手指静脉图像,为手指静脉采集设备光源设计提供参考,同时为后续的手指静脉图像的识别打下基础。

手掌静脉识别系统的研究与设计

手掌静脉识别技术是静脉识别领域的新兴课题,原理相当简单,但具体实现有很多的挑战,包括如何设计一个能获得手掌静脉图像的采集实验装置和能够进行精确识别的算法等;对手掌静脉识别系统进行了初步的分析与研究,在研究的基础上为手掌静脉识别系统提供了一些硬件解决方案,包括如何选取CCD摄像机、怎样设计光源系统等,设计了手掌静脉采集实验装置,完成了手掌静脉识别系统的整体搭建,并采集到了较清晰的手掌静脉图像。

双Gabor滤波器手掌静脉识别网络

目的基于手掌静脉的身份识别需要在近红外光下采集手掌血管图像,安全性高。开放环境下的非接触式采集,相对于传统的将手掌放到采集箱体内固定栓上的采集方式更受用户欢迎。但开放环境带来的可见光干扰和非接触拍摄带来的图像旋转、平移、比例缩放、光照改变使得识别具有挑战性。针对以上两个难点,研究了一种基于非监督卷积神经网络的方法。方法在卷积层中结合主成分分析(principal component analysis,PCA)滤波器提取主元信息,减少由于可见光引起的噪声影响;以固定尺寸Gabor滤波器为多尺度自适应Gabor滤波器提供先验知识,克服图像因几何与光照改变对识别产生的干扰,用以增强掌脉稳定特征,提升识别性能,再以二值化方式降低数据量,最后使用自适应K近邻(K-nearest neighbors,KNN)的变体分类器进行分类识别。结果采用自建图库、同济图库和PolyU-NIR图库进行实验分析,在3个图库中的等误率分别为0.2899%、0.2113%和0.1586%,误拒率和误识率分别为0.0027和2.3188、0.0023和1.2821、0.0000和1.5962。结论与传统方法以及经典网络方法相比,该方法能有效提高识别准确率,适用于对安全性要求较高的场合进行身份识别,具有实用价值。