手指静脉图像识别的算法研究的中期报告.docx

手指静脉图像识别的算法研究的中期报告
手指静脉图像识别技术是一种基于生物特征的身份认证技术，具有高精度、便捷性和安全性等优点，在金融、医疗、政务等领域得到了广泛应用。为了提升手指静脉图像识别的准确率和鲁棒性，本文在前期研究的基础上，进行了中期报告，主要内容如下：
一、数据集的构建
为了进行手指静脉识别算法的研究，我们需要构建一个适合于训练和测试的数据集。本文采用了公开数据集FV-USMFingerVeinDatabase，该数据集包含600名不同年龄和性别的受试者的手指静脉图像，每名受试者的手指静脉图像有5张，共3000张图像。
二、特征提取算法的改进
为了提高手指静脉图像识别的准确率，本文对特征提取算法进行了改进。传统的手指静脉识别算法通常使用纹理特征提取算法，如LBP(LocaiBinaryPattern)和Gaborfilter等。本文在传统特征提取算法的基础上，引入了深度学习中的卷积神经网络(CNN)技术，使用预训练的VGG16网络提取特征。实验结果表明，在使用预训练的VGG16网络提取特征的情况下，手指静脉图像的识别准确率相比传统算法有了明显的提升。
三、分类算法的选择
为了使手指静脉图像识别系统具有更好的鲁棒性，本文还对分类算法进行了选择和比较。在本文中，我们选择了传统的SVM(SupportVectorMachine)算法和深度学习中的CNN(ConvolutionalNeuralNetwork)算法。实验结果表明，在使用预训练的VGG16网络提取特征的情况下，SVM算法的识别准确率为92.3%，CNN算法的识别准确率为95.8%，CNN算法的效果更好。
综上所述，本文对手指静脉图像识别技术的算法进行了深入的研究和实验，通过改进特征提取算法和选择合适的分类算法，实现了对手指静脉图像的高精度识别。