基于图像融合和深度学习的手掌静脉图像增强方法

摘要

随着互联网迅速发展，个人信息安全受到人们重视，身份认证作为信息安全的前提变得尤为重要。针对传统身份识别的安全性问题，生物特征识别因其唯一性、稳定性、难伪造等优点而迅速发展。其中手掌静脉作为一种典型的生物特征，受手掌表皮保护，在可见光下难以拍摄成像;在手掌常处于半握拳状态，难以窃取;并且是一种“活体特征”，只有血液处于流动时才能通过认证。基于上述特点，手掌静脉成为最具有发展潜力的生物特征，带动了大量手掌静脉特征识别技术迅猛发展。但是在采集手掌静脉图像过程中，其成像效果对皮肤散射、光线变化、装置性能等因素敏感，然而获得高质量的手掌静脉图像是取得高识别率的基础，因此手掌静脉图像的预处理是手掌静脉识别系统至关重要的步骤。
　　在观察大量手掌静脉图像的基础上，深入研究影响手掌静脉图像质量的因素，研究发现除了因光照不均引起的手掌静脉图像灰度不一致、皮肤散射引起的手掌静脉图像噪声外，掌纹的成像差异同样会对手掌静脉的图像质量产生影响。据此，本文提出两种有效提高手掌静脉图像质量的方法:
　　1、基于图像融合的手掌静脉图像增强方法:用传统的预处理方法处理图像获得初步增强图像;根据手掌静脉图像中掌纹的像素大小、灰度值大小等成像特点提出8个有效提取掌纹的方向滤波器，提取掌纹结构;并将掌纹的提取图像和初步增强图像进行加权融合，得到手掌静脉图像增强图像。实验结果表明本文提出方法能够有效去除图像掌纹的干扰、增强静脉纹理并提高静脉信息与背景信息的对比度，且能够更好应用于三种手掌静脉识别系统。
　　2、基于深度学习的手掌静脉图像增强方法:针对基于图像融合的增强方法对异常数据敏感、处理时间较长缺点，以及其获得的手掌静脉图像增强图像仍存在少量掌纹和在噪声干扰的缺点。通过对条件生成对抗网络的研究分析，本文提出用条件生成对抗网络实现手掌静脉图像的增强。将基于图像融合的方法得到的手掌静脉图像增强图像作为条件生成对抗网络目标图像，使原始手掌静脉图像在学习目标图像的手掌静脉网络结构的同时“丢弃”目标图像的少量掌纹成像以及基于图像融合的增强方法引入噪声，达到增强静脉纹理的目的。实验结果表明基于深度学习的方法能够有效去除基于图像融合的增强方法得到的手掌静脉图像增强图像中的少量掌纹和基于图像融合的方法引入噪声的干扰，进而有效增强静脉纹理。

目录

摘要

1．1．1 手掌静脉识别

1．1．2 手掌静脉图像增强

1．2 静脉图像增强方法研究现状

1．3 研究内容及论文框架

2．1 双三次插值

2．2 自适应直方图均衡化

2．3 深度学习网络

2．4 评价标准

第三章 基于图像融合的手掌静脉图像增强方法

3．1 引言

3．2 手掌静脉图像去背景增强

3．2．1 手掌静脉图像去背景

3．2．2 手掌静脉图像增强

3．3 掌纹特征提取

3．3．1 构建掌纹提取滤波器

3．3．2 提取掌纹特征

3．4 图像加权融合

3．5 实验结果与分析

3．5．1 图像融合参数的选择

3．5．2 增强方法的定性比较

3．5．3 增强方法在不同的识别系统中的应用比较

3．6 小结

第四章 基于深度学习的手掌静脉图像增强方法

4．1 引言

4．2 条件生成对抗网络

4．3 条件生成对抗网络在手掌静脉图像增强中的应用

4．4 实验结果与分析

4．4．1 损失函数的选择

4．4．2 最后一层特征图像尺寸的选择

4．4．3 Dropout的选择

4．4．4 基于图像融合的方法与基于深度学习的方法的比较

4．5 小结

第五章 工作总结与展望

5．1 工作总结

5．2 工作展望

参考文献

攻读硕士学位期间成果

致谢

声明