英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
3 预处理
预处理是特征提取和匹配的基础。预处理的质量对识别结果有重要影响。在本文中，我们主要专注于提取ROI算法的开发。它是预处理阶段的主要步骤，与其他步骤（例如图像增强，图像过滤等）不同。ROI用于统筹不同的手掌静脉图像并分割掌心以进行特征提取。大多数ROI提取算法都利用手指之间的关键点来建立坐标系。ROI提取方法包括五个常用步骤：（一）对手掌图像进行二值化；（二）提取手和/或手指的轮廓；（三）检测关键点；（四）建立协调系统；以及（五）提取目标部位和标准化。从第三步开始，有几种不同的实现方式，如图6所示。
Zhou和Kumar [3, 33]针对了非接触式掌静脉识别中潜在的尺度变化提出了ROI定位方法。ROI的位置基于两个指蹼，食指和中指之间的指蹼以及无名指和小指之间的指蹼，如图6所示。他们通过计算距离找到对应的局部最小值来定位两个指蹼。
Lee [4]通过两个关键点和一个距离定位ROI。关键点是P1（小指和无名指之间的谷点）和P2（中指和食指之间的谷点）。矩形ROI RC1C2C3C4直接位于P1P2连线的下方，距离为P1P2长度的六分之一，如图6所示。RC1C2C3C4的上边C1C2的长度与P1P2线相同。
Kang和Q [18]将食指两侧的两个谷点的中点P1和小指两侧的谷点的中点P2定义为ROI提取的两个参考点，并将P1P2的连线作为ROI的一条边。这两个关键点使ROI可以取的更大，如图6所示。
Lee [24]的ROI的定位方法与文献[3, 33]类似，但是文献[24]的ROI为矩形。如图6所示，选择两个谷点P1（小指和无名指之间的谷点）和P2（中指和食指之间的谷点）作为两个关键数据点。定位了矩形区域RC1C2C3C4并将其作为ROI。线C1C2和线P1P2的长度相等。线C1C2和C1C3是垂直的，并且C1C3 = 2times;C1C2。文献[24]以这种方式提取ROI，能确保所有ROI都参考了掌静脉图像中的相同区域。Lee[24]以这种ROI定位方式解决了没有对接设备的问题。
张等人[6]用三条竖棒固定用户的手部。并利用两个谷点来定位ROI。第一点是小指和无名指之间的谷点。第二个点是中指和食指之间的谷点，如图6所示。
Gohk和T.[8]通过四个手指的谷点获得ROI，如图6所示。该算法对左手和右手都有很好的鲁棒性。
Wu等人[34]首先在手掌轮廓内找到腕侧最大内切圆（WSMIC）。WSMIC是手掌轮廓内最大的内切圆，位于靠近手腕的一侧。WSMIC是与点A相切的手掌轮廓。WSMIC的中心是点O。红色正方形所表示的ROI位于点A和点O处，如图6所示。
Sun等人[35]构造了一种用于边界近似的下采样方法，并提出了一种新颖的凹度分析模型，能以高成功率提取ROI。它对缩放，旋转和不规则边界有很好的鲁棒性。
在当前的手掌静脉识别方法中，许多ROI定向方法将ROI定位在手掌的中心。一些文献是从掌纹识别中得出ROI的提取方法：文献[6]的方法源于文献[36]的方法，文献[8]提出的方法是文献[37]方法的衍生等。但这些ROI定位方法会引入三条掌纹形成假的掌静脉信息。预处理算法将正方形区域进行分割，以便对正方形区域进行特征提取，从而更易于处理平移变化，而圆形[38]和半椭圆形[39]区域可能更易于处理旋转变化。掌纹识别的一些文献[38, 39]将圆形或半椭圆形区域作为ROI。非接触式掌静脉识别可能值得尝试，但非接触式掌静脉的ROI定位仍然是一个挑战。 Jhinn等人[40]做了关于当用户的手的旋转很大并且旋转到特定角度时如何定位ROI的研究。为此，提出了一种新颖的旋转不变算法，称为之字形谷检测。
4 特征提取和匹配
当ROI被分割后，就可以提取特征进行匹配。根据被提取的特征的性质，特征提取方法可以大致分为两类。一种是基于手掌静脉血管几何的方法，另一种是基于整个ROI的方法。基于整个ROI的方法将ROI图像作为一个整体并直接利用图像信息。为了更好地阐述基于ROI的整体方法，我们将其分为三类，即基于纹理的方法、基于局部不变量的方法和子空间方法。
基于几何的方法[3, 41-43]通常利用点特征或线特征等血管结构信息来描述手掌静脉。其中的关键是利用边缘检测算法提取脊线或特征点的方向和位置信息。该方法对脉络信息的利用最直接，响应结构信息最清晰。然而，当有皮肤散射和光学模糊时，部分血管无法成像。而且这类方法对静脉图像的旋转、缩放或平移不是不变的。
基于纹理的方法利用掌静脉图像的各种统计纹理特征[44]，如局部导数模式(LDP)[45, 46]、局部二值模式(LBP)[12, 47, 48]及其变体[18, 49-52]或结构纹理特征(如Gabor及其变体[11, 14, 53-58])。这些方法可以描绘静脉图像的灰度直方图分布，但丢失了静脉纹理的位置信息。为此，采取了对应的补偿策略。然而，补偿策略会使得这些方法对平移、旋转和比例的变化非常敏感，不适合于非接触式静脉识别。而这些方法有时也会因为一些人手掌纹理信息不够丰富而受影响。
基于局部不变量的方法，如尺度不变特征变换(SIFT)[13, 50]、加速鲁棒特征(SURF)[59]、RootSIFT[60]和仿射尺度不变特征变换(ASIFT)[61]，这类方法对旋转、尺度和轴线变化不敏感，识别时采用关键点匹配。这类方法大多用于非接触式系统。SURF算法综合性能最好，ASIFT[31]精度最高，与理论分析一致。RootSIFT[60]和SIFT[13]采用相同的特征检测和描述方法，并包括以下步骤：(i)尺度-空间极值检测；(ii)关键点定位；(iii)方向分配；(iv)关键点描述符的生成；以及(v)形成若干128维描述符来表示图像特征。然而，RootSIFT采用Hellinger核而不是欧几里德距离进行相似性度量，从而大大提高了性能[60]。然而这些方法都有着速度过慢的缺陷。
基于子空间的方法已经成为一种强大的技术，在这种方法中，手掌静脉图像被投影到由训练数据构建的子空间中。子空间方法包括主成分分析(PCA)[62, 63]、2D-PCA[63, 64]、线性判别分析[65, 66]、独立成分分析、非负矩阵分解、二维Fisher线性判别[67]及其变体。这类方法都是在没有先验知识的情况下将子空间系数作为特征的，并将掌静脉图像作为整个对象，通常用于减少或简化变量的数据结构。这种方法非常有效，因为可以将手掌静脉图像投影到由训练数据构建的子空间中。
本文在表1中概述了手掌静脉识别领域中的特征和匹配方法，使用表1中的正确识别率(CRR)和等错误率(EER)[68]来衡量识别性能。它们是手掌静脉识别最常用的评价指标。
5掌静脉融合识别
只基于掌静脉的系统有着固有的问题，如数据噪声、过高的错误率和注册失败。多生物识别是克服这些问题的最佳选择之一。多生物特征融合在提高系统整体性能方面起着重要作用，将两个或两个以上的个体生物特征融合在一起，形成一个性能更好的系统。大多数研究将掌静脉和掌纹融合在一起[75]。掌纹与掌静脉模态的结合可以显著增强系统的鲁棒性、反欺诈能力和准确性。Wang等人[76]提出了一种经典的手掌融合识别方法：拉普拉斯手掌。该方法提供了一种基于掌纹和掌静脉图像的身份识别系统，将掌纹和手掌静脉图像在图像层面进行融合。Toh等人[77]提出了一种结合掌静脉纹理信息和掌纹纹理信息的身份验证框架。在融合过程利用SUM和支持向量机(SVM)进行分类实验。实验结果显示，径向基函数(RBF)核和降阶多元多项式的SVM对于两次实验的泛化效果最好。Gurunathan等人[78]加快了从掌纹和掌静脉图像中提取鲁棒特征的速度，用简单的求和规则组合这些特征向量。最后，用绝对差距离的和进行匹配。Cai和D.[79]将双树复小波变换和对偶处理用于手掌静脉和掌纹的融合。Nayar等人[80]结合掌纹和掌静脉特征，采用不同的特征提取方法——部分掌纹匹配。该方法通过递归伴随细节点匹配法完成，使用了由粗到精的匹配技术，采用最大曲率法提取静脉模式。Deshpande等人[81]也做了掌纹掌静脉融合。文献中利用小波分解技术提取掌纹特征；采用匹配滤波技术提取手掌静脉特征，匹配滤波器在12个方向上旋转；对于每个通道，使用单独的匹配器进行识别。YAng和Sun[82]用LBP提取掌静脉和掌纹特征，并用典型相关分析(CCA)进行匹配。CCA是统计分析中用于衡量两组数据的线性关系的标准工具。Trabelsi[83]在特征层融合了掌静脉和掌纹。提取的特征为圆形差分和统计方向模式描述符。Nikiins等人[84]采用结合掌静脉纹理和手掌折痕的方法，在掌静脉纹理和掌纹特征提取阶段，提出了一种特征描述子，即向量直方图。Gupta等人[85]提出了一种结合掌纹和手掌静脉模态的人脸多模态生物识别系统。该方法采用局部统计的方法，利用离散余弦变换(DCT)系数的预定义块来计算标准差，并将其存储为特征向量，利用特征向量之间的距离进行匹配。Tekade和Shende[86]在系统中使用了三种模式：人脸、指纹和手掌静脉。采用不同的算法对每种模态进行特征提取：人脸特征提取采用LBP算法。手掌静脉特征提取采用离散小波变换，指纹特征提取采用细节点算法；最后进行特征级融合。Leng等人[87]融合掌纹和掌静脉进行识别，融合方法为共轭2DPalmHash编码，由掌纹和掌静脉图像的2DPalmHash编码构成。Michael等人[88]对掌纹和掌静脉特征进行编码，以比特串表示。采用支持向量机作为融合机制，对掌纹和掌静脉模式产生的匹配分数进行合并。Sanchit等人[89]提出了一种在评分层面结合手掌静脉和手背静脉生物特征信息的多通道系统。纹理特征提取采用二维Gabor滤波器，在匹配中使用汉明距离。Fuksis等人[90]的实验结果表明，获得的关于生物编码的统计信息通过使用生物散列算法，可以改进生物编码比较算法，得到较低的EER。Ramalho等人[91]使用掌纹、手指表面、手部几何形状和手掌静脉进行识别。在特征提取阶段，采用正交线序特征、竞争性编码和掌纹编码来提取掌纹、手指表面和掌静脉的特征。然后将得到的特征转换成二进制，以便应用安全模板存储方案，该方案由密码散列函数和纠错码组合而成。在系统架构中，将手的几何形状作为数据库的索引特征，以减少识别所需的搜索时间。Gusain等人[92]将面部、虹膜和掌静脉信息融合在一起。Samoil等人[93]用RGB提供闪光，深度和近红外光谱提供掌纹、手形、手指关节位置和静脉图案等信息。Michael等人[94]采用手部几何、掌纹、指节纹路、掌静脉和指静脉五种特征进行融合识别。他们建立了136人的数据库。利用和规则、模糊加权和规则、SVM-RBF和FWSVM-RBF对生物模态融合和多模态融合进行了比较。当他们将多个特征融合在一起时，可以实现零EER。这项研究催生了许多有趣的研究可能性，包括手掌静脉与其他生物识别融合的检测和获取。文献[95]的主要目的是分析应用于生物识别领域的不同信息融合技术。为生物特征识别的融合提出了很好的建议。
6 挑战和展望
6.1 挑战
在评述了这些杰出的工作之后，我们认为手掌静脉识别这几年面临着四个方面的挑战。
(i)手掌静脉图像的低成本、小型化采集
如何低成本、小型化地采集可识别的手掌静脉图像是掌静脉识别技术发展首先要解决的问题。掌静脉采集器的成本主要来自光源和图像传感器组。如果用LED阵列作为光源，用互补金属氧化物半导体(CMOS)图像传感器拍照，必然会大大降低生产成本。因此，研究中使用的LED的类型及数量，LED阵列的布置和CMOS图像传感器的敏感光谱范围对提高图像质量具有重要意义。
(ii)从低
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239958]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
