弱约束条件下的手背静脉身份识别研究

With the application mode of internet, biometrics is more important. Hand-dorsa vein recognition cannot reach higher accuracy because of different acquisition devices, regional and environmental change, user’s gesture. How to improve the accuracy of hand-dorsa vein recognition, the robustness of recognition is the key problem in spite of theory and application.. This project studies the method of hand-dorsa vein recognition under weak constraint. The weak constraint means across devices, across regions and across gesture. The main research fields include “Distinctive Efficient Robust Features’ Extraction”, “High Accuracy Matching”, “Deep Learning” with a lot of samples, and “Concept Learning” with limited samples method for hand-dorsa vein recognition, “Anti-Fake” based biomedical signal. Robust hand-dorsa vein recognition technology should be studied. Under weak constraint, theory and method about hand-dorsa vein recognition would be put forwarded. In real application, hand-dorsa vein recognition method would be adopted without constraint. The research work of this project will play a more important role in the field of biometrics.

互连网+应用模式下，对身份识别的需求日益紧迫。由于图像采集设备的多样性，地域环境变化，用户姿态等因素，基于手背静脉的身份识别很难达到高准确率，如何实现鲁棒手背静脉身份识别成为目前理论和应用的关键。.本项目研究弱约束条件下的手背静脉识别技术，主要包括跨设备、跨地域、跨姿态等情况下的识别，拟在高可区分性、高鲁棒和高效率特征提取，高精度匹配分类方法，大样本“深度学习”和小样本“概念学习”的手背静脉识别方法以及基于生物医学信号的数据防伪方向展开深入研究，突破弱约束条件下即跨设备、跨地域、跨姿态条件下手背静脉鲁棒身份识别关键技术，提出弱约束条件手背静脉识别的理论和方法，解决手背静脉识别应用的瓶颈问题，提供手背静脉识别从受控条件走向实际应用环境的跨越式发展的理论基础，相关科学研究工作对深入推动手背静脉识别技术理论研究和应用研究具有重要意义，对于其他弱约束条件下的生物特征识别理论研究具有参考意义。

项目全面深入地研究了弱约束条件下的手背静脉身份识别技术，在高可区分性、高鲁棒和高效率特征提取，高精度匹配分类方法，大样本“深度学习”和小样本“概念学习”手背静脉识别方法等方面取了创新性成果。建立跨设备、跨时间、跨姿态的手背静脉图像数据库，已被国内的北航、北理工等申请使用，促进手背静脉识别从受控条件走向实际应用环境。项目主要研究内容和创新点如下：. (1) 提出了分割阈值系数调整和改进高可分鲁棒特征的算法，引入全局阈值调整分割系数；粗匹配过程中以重叠度为匹配标准减少候选集数目；在细匹配过程中采用基于生物视觉特征的鲁棒特征描述子。跨设备条件下粗匹配筛选后的候选集中识别，平均识别率达到96.8%。. (2) 提出了比特位面内分块互信息的手背静脉识别方法，采用分块的方式计算分块间的互信息来量化纹理特征关系。这种新的特征描述降低了对手背静位置的配准要求，具有尺度、旋转、光照的不变性。小样本数据实验达到的93.33%识别率。. (3) 提出了弱约束条件下尺度不变SIFT算法的优化方案，对SIFT尺度空间层、关键点查找层、特征匹配层进行优化，寻找使得DoG空间最优的尺度。选取尺度因子σ为1.2，匹配阈值R为0.9构建DoG空间，改进的SIFT 算子的识别率达到88.5%。. (4) 提出了多聚类词袋模型的手背静脉身份识别方法，采用每个类别所提取出来的特征单独进行K-means++聚类，再将每个类的聚类中心组合在一起构成词典，保留词典中互信息较小的词汇来剔除词典中相关性大的词汇形成最终的词典，本文方法识别率为84.76%. (5) 提出了多图融合和改进Xception网络的跨设备手背静脉识别方法，为进一步提高跨设备条件下手背静脉的识别率，Xception网络的ReLU激活函数改为h-swish激活函数，增加模型的非线性，使网络学习更稀疏的特征，使用多图融合作为数据集的识别率达到93.54%。. 项目发表学术论文13篇，其中国际刊物4篇，国内刊物7篇，国际会议2篇，S CI，EI收录6篇。出版《工业图像处理》专著，西安电子科技大学出版社。完成 3项国家发明专利的申请，其中授权2项。