手指静脉图像特征提取算法的研究.docx

手指静脉图像特征提取算法的研究
近年来，手指静脉图像授权和识别技术逐渐成为生物识别领域研究的热点之一，尤其在金融、安全等领域的应用越来越广泛。为了提高手指静脉图像授权与识别的准确性和可靠性，必须对手指静脉图像进行特征提取，以使其更具有区分性和鲁棒性。本文就手指静脉图像特征提取算法的研究进行探讨。
一、手指静脉图像的概述
手指静脉图像是通过近红外光谱中的光吸收特性，利用面向性取样采集手指纹间静脉影像，属于一种使用非接触性的生物特征采集方法。手指静脉图像是一种不易被伪造的生物特征，因为静脉位置较深，不易受假手指、细胞响应率等外部因素影响，具有极高的识别精度和安全性。
二、手指静脉图像特征提取方法
手指静脉图像特征提取的方法有很多，其中以局部二值模式（LocalBinaryPattern,LBP）和主成分分析（PrincipalComponentAnalysis,PCA）为代表的基于特征点的方法和以小波变换为代表的全局方法得到了广泛应用。
1.基于LBP的方法
局部二值模式是一种图像特征提取方法，在手指静脉图像特征提取中，它可以采用LBP原始算法，原始的LBP算法是通过对每个像素点，确定周围像素点的像素值与该像素值的大小关系确定该像素点的LBP值。这种方法具有灵敏性高、计算速度快的优点，适用于实时性较强的场景。
2.基于PCA的方法
主成分分析是一种基于数学统计的数据降维方法，他可以把高维数据映射到低维度的特征空间中，使得数据变得易于处理。在手指静脉图像特征提取中，可以将每个手指静脉图像都视作一个向量，通过分解手指静脉图像与均值之间的协方差矩阵，得到n个特征向量，取这些特征向量中重要的几个进行保留，从而实现降维处理和特征提取。
3.基于小波变换的方法
小波变换是一种分析一段信号的数学工具，通过对一段序列进行小波分解和重构，得到不同频率乘以不同时间类型的波形。在手指静脉图像的特征提取中，可以通过一系列加窗、加密和离散小波变换等处理，得到几个小波分解系数向量，从而实现对手指静脉的特征提取。
三、手指静脉图像特征提取算法的研究进展
目前，手指静脉图像特征提取算法已经有了很多的发展和变化，其最新的发展，是通过将深度学习技术引入其中，实现特征提取。近年来，卷积神经网络（ConvolutionalNeuralNetwork,CNN）已经被广泛的应用于手指静脉图像的特征提取和认证等方面，其主要采用如下方法：
1.前馈神经网络
前馈神经网络包括了基础的感知机和多层神经网络的形式。在使用前馈神经网络提取手指静脉图像特征中，主要是将手指静脉图像作为输入，然后通过前馈神经网络对其进行学习，从而得到输出。在输出中，可以提取得到特征向量。
2.卷积神经网络
卷积神经网络是一种深度学习模型，它可以自动识别出图像输入中的特别的模式和特征。在应用于手指静脉图像特征提取时，主要通过卷积层、池化层和全连接层等操作，实现对手指静脉图像的特征提取。
四、结论
因为手指静脉图像授权和识别技术具有严格的安全性要求，所以手指静脉图像的特征提取具有重要的意义。本文介绍了手指静脉图像特征提取的方法，包括了传统的特征提取方法和基于深度学习的特征提取算法，并对其进行了阐述，针对每个方法的优缺点进行了分析，希望能给后来的研究提供参考和借鉴。