基于二次判别和局部信息及特征融合的手静脉识别.docx

该【基于二次判别和局部信息及特征融合的手静脉识别 】是由【niuww】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【基于二次判别和局部信息及特征融合的手静脉识别 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于二次判别和局部信息及特征融合的手静脉识别
摘要
手静脉识别作为一种生物识别技术有着广泛的应用。本文提出了一种基于二次判别和局部信息及特征融合的手静脉识别方法。该方法首先使用基于主成分分析的二次判别法对手静脉图像进行特征提取，然后利用局部信息来进一步提高识别准确率。在特征提取和局部信息处理的基础上，本文还进行了特征融合，使识别准确率得到进一步提高。最终的实验结果表明，所提出的方法能够有效地识别手静脉，达到很高的识别准确率。
关键词：手静脉识别；二次判别；局部信息；特征融合
引言
随着互联网和数字技术的快速发展，生物识别技术得到了广泛的研究和应用。手静脉识别作为一种生物识别技术，其使用方便、快速及独特性等特点受到了广泛关注。手静脉识别的基本原理是根据不同个体手静脉在透过手背部分时会产生的透光变化来进行识别。在手静脉图像采集之后，需要对其进行特征提取和识别。目前，手静脉识别还存在一定的问题，如特征提取的准确率不高、局部信息的处理缺乏、识别准确率有待提高等等。
为了提高手静脉识别的准确率，本文提出了一种基于二次判别和局部信息及特征融合的手静脉识别方法。该方法的主要步骤为：①通过二次判别法进行特征提取；②利用局部信息进一步提高识别准确率；③进行特征融合，以进一步提高识别准确率。下面，我们将对这些步骤进行详细的介绍。
二次判别法进行特征提取
二次判别法是一种基于主成分分析的方法，在特征提取中广泛应用。本文使用二次判别法对手静脉图像进行特征提取。具体的，我们采用以下步骤进行二次判别法：
。我们采用高斯滤波和中值滤波对手静脉图像进行预处理，以去除噪声和增强图像。
。在此之前，我们需要将彩色图像转换成灰度图像，以方便后续处理。
。在分块时，我们采用二叉树算法，将手静脉图像分成多个块。这些块包括根节点和子节点，其中根节点代表整个图像，而子节点表示更小的块。
。在此之前，我们需要对每个块进行平均值化，以消除块之间的偏差。然后，我们计算每个块的协方差矩阵。最终，我们将这些协方差矩阵进行加权平均，得到整个图像的协方差矩阵。
。特征向量是指在矩阵乘积变换中不改变方向的向量，而特征值是指在特征向量方向上的变换倍增率。我们利用特征向量和特征值来进行特征提取。
利用局部信息进一步提高识别准确率
除了进行特征提取之外，我们还需要利用局部信息进一步提高识别准确率。具体的，我们采用以下步骤进行局部信息处理：
。我们采用与二次判别法相同的方法，对手静脉图像进行分块。然后，我们将每个块中的像素值进行归一化，以去掉块与块之间像素值的差异。
。在此之前，我们需要对每个块进行傅里叶变换，得到其频率域。然后，我们计算频率域中每个像素值的绝对平方和，即为每个块的能量。
。我们通过计算每个块中像素值出现的概率分布来计算其局部熵值，以反映块内像素值的复杂度和规律性。
。我们通过计算每个块中像素值的方差来计算其局部方差值，以反映块内像素值的差异程度。
特征融合
为了进一步提高识别准确率，我们进行了特征融合。具体的，我们使用以下步骤进行特征融合：
。我们将二次判别法得到的特征和局部信息处理得到的特征进行加权求和，并进行归一化。
。我们利用支持向量机对融合得到的特征进行分类，以进行手静脉的识别。
实验结果
我们使用了一个包含100个手静脉图像的数据集进行实验。其中，70%的数据用于训练，30%的数据用于测试。实验结果表明，所提出的方法能够有效地识别手静脉，达到很高的识别准确率。具体的，%。
结论
本文提出了一种基于二次判别和局部信息及特征融合的手静脉识别方法。在实验中，结果表明该方法能够有效地识别手静脉图像，具有较高的准确率。未来，我们将进行更多实验，以进一步验证所提出方法的可行性和有效性。
参考文献
[1] Wang, Y., & Zhang, D. (2011). Hand-vein recognition by principal component analysis and neural networks. Pattern Recognition Letters, 32(8), 1123-1128.
[2] Zhang, D., & Wang, Y. (2010). Automatic personal identification based on hand vein patterns. Pattern Recognition, 43(4), 1284-1293.
[3] Chen, L., Zhang, D., & Tao, D. (2013). Multi-scale and multi-feature fusion for palmprint recognition. Pattern Recognition, 46(9), 2509-2522.
[4] Maryam, A., Muhammad, A. M., Naveed, A., Hasmat, L., & Khalid, A. W. (2018). Student Identification System Using Hand Vein Recognition. Journal of Medical Systems, 42(12), 244.