靜脈信息編碼與辨識

目錄
前言
1緒論 1
1.1手部多源信息認證的研究意義 1
1.2生物特征識別技術(shù) 2
1.2.1生物特征識別技術(shù)概況 2
1.2.2生物特征識別系統(tǒng)性能評價準則 5
1.3靜脈識別研究現(xiàn)狀 7
1.3.1靜脈識別特點和系統(tǒng)構(gòu)成 7
1.3.2靜脈識別系列產(chǎn)品 9
1.3.3靜脈圖像采集系統(tǒng)設(shè)計相關(guān)研究 10
1.3.4靜脈匹配技術(shù)相關(guān)研究 11
1.4本書研究內(nèi)容 15
1.4.1本書主要研究工作 15
1.4.2本書的章節(jié)安排 18
2手部多源生物特征信息采集系統(tǒng) 22
2.1靜脈圖像采集簡介 22
2.2單源手背靜脈圖像采集裝置設(shè)計 23
2.2.1成像光源系統(tǒng)設(shè)計 23
2.2.2圖像傳感器及鏡頭設(shè)計 28
2.2.3**代單源手背靜脈圖像采集裝置 32
2.3基于質(zhì)量評價的白適應(yīng)光照控制策略 34
2.3.1 圖像銳化及對比度分布描述子 36
2.3.2圖像光照組分估計 38
2.4多源信息同步采集及數(shù)據(jù)庫建立 43
2.4.1 手部多源生物特征信息同步采集裝置設(shè)計 43
2.4.2手部多源生物特征圖像數(shù)據(jù)庫構(gòu)建 48
2.5本章小結(jié) 50
3靜脈骨架提取與匹配 52
3.1靜脈圖像模板生成 52
3.2基于光照背景估計的魯棒靜脈圖像分割 53
3.2.1靜脈圖像分解及不均勻分布修正 53
3.2.2基于偏置修正的魯棒靜脈圖像分割 60
3.3改進模板生成及匹配識別 68
3.3.1靜脈分割圖像細化與裁剪 68
3.3.2魯棒靜脈匹配模板生成 70
3.3.3 基于MHD判定的模板匹配 72
3.4基于WDM特征的改進匹配策略設(shè)計 75
3 .4.1寬度信息描述子生成 76
3.4.2基于WDM和改進模板匹配的魯棒靜脈識別實驗 79
3.5本章小結(jié) 81
4對比度增強依賴靜脈圖像特征編碼模型 84
4.1特征編碼模型魯棒性 84
4.2依賴編碼模型分析 85
4.2.1基于SIFts的對比度依賴特征編碼模型分析 85
4.2.2先進對比度增強方法 88
4.2.3對比度依賴模型問題分析實驗 92
4.3基于鏡像匹配策略的模型改進 101
4.3.1特征點鏡像匹配策略設(shè)計 101
4.3.2 Roo工SIF工特征提取 104
4.3.3匹配實驗設(shè)計及結(jié)果分析 106
4.4區(qū)域選擇編碼與匹配 109
4.4.1基于谷形算子的層級靜脈分割方法設(shè)計 111
4.4.2特征提取及選擇模板生成策略 117
4.4.3識別實驗與結(jié)果分析 122
4.5本章小結(jié) 130
5靜脈圖像質(zhì)量依賴紋理編碼模型 133
5.1 圖像質(zhì)量評價的反饋 133
5.2局部二進制編碼特征 134
5.2.1 傳統(tǒng)LBP編碼方法 134
5.2.2 網(wǎng)形鄰域LBP 135
5.2.3 Uniform LBP模型 137
5.3**類間方差型二進制特征編碼 138
5.3.1 改進型局部二進制編碼模式(DLBP)模型原理 140
5.3.2 DLBPriR模型特性分析 142
5.3.3 DLBPP，R**閾值計算 145
5.4質(zhì)量依賴靜脈識別實驗 146
5 .4.1 基于CFISH的靜脈圖像質(zhì)量分組 148
5.4.2基于DLBPPjR的分組靜脈圖像特征提取和匹配策略設(shè)計 152
5.4.3識別實驗與結(jié)果分析 154
5.5本章小結(jié) 163
6相似圖像知識遷移網(wǎng)絡(luò)模型 165
6.1高魯棒遷移學習模型 165
6.2深度卷積神經(jīng)網(wǎng)絡(luò)模型 165
6.2.1 DCNN模型歷史發(fā)展 167
6.2.2 DCNN模型分析 168
6.3基于結(jié)構(gòu)白生長靜脈識別模型 174
6.3.1靜脈識別網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 175
6.3.2小樣本網(wǎng)絡(luò)結(jié)構(gòu)白生長策略 176
6.3.3結(jié)構(gòu)白生長網(wǎng)絡(luò)訓(xùn)練方法 177
6.3.4結(jié)構(gòu)白生長靜脈網(wǎng)絡(luò)識別實驗 179
6.4基于相似圖像知識遷移網(wǎng)絡(luò)的靜脈識別 185
6.4.1 基于稀疏字典元素分布的圖像相似度判定準則 186
6.4.2“粗到細”網(wǎng)絡(luò)微調(diào)策略設(shè)計 191
6.4.3基于線性分類抬導(dǎo)的任務(wù)特定知識遷移網(wǎng)絡(luò)訓(xùn)練 193
6.4.4改進邊界分布SVM 194
6.4.5識別實驗與結(jié)果分析 196
6.5本章小結(jié) 202
7 多源多模態(tài)手部生物特征信息挖掘 205
7.1雙模態(tài)識別網(wǎng)絡(luò) 205
7.2靜脈圖像潛在性別判定信息挖掘 206
7.2.1 基于生物特征信息的性別判定模型相關(guān)研究 207
7.2.2基于濾波器模型的靜脈性別信息表征 209
7.2.3 基于無監(jiān)督特征學習模型(USFL)的靜脈性別信息表征 215
7.3靜脈圖像多模態(tài)信息挖掘 219
7.3.1 性別依賴多模態(tài)靜脈圖像編信息碼模型 219
7.3.2基于相似圖像知識遷移的靜脈圖像多模態(tài)信息挖掘 226
7.4手部多源生物特征信息深度編碼和識別 233
7.4.1 深度卷積神經(jīng)網(wǎng)絡(luò)模型相關(guān)研究分析 234
7.4.2深度特征編碼網(wǎng)絡(luò)模型設(shè)計 236
7.4.3基于DFLCN的手部多源信息識別實驗 239
7.5本章小結(jié) 241
參考文獻 242
后記 256