手背靜脈身份識別技術(shù)

前言
第1章  緒論
  1.1  引言
  1.2  手背靜脈身份識別的研究意義
  1.3  手背靜脈身份識別的關(guān)鍵問題
  1.4  手背靜脈身份識別的技術(shù)路線
    1.4.1  手背靜脈圖像采集與數(shù)據(jù)庫建立
    1.4.2  手背靜脈身份識別的可行性
    1.4.3  手背靜脈圖像的質(zhì)量評價
    1.4.4  手背靜脈圖像的特征提取
    1.4.5  手背靜脈圖像的分類決策
    1.4.6  手背靜脈圖像的活體檢測
  1.5  手背靜脈身份識別的研究趨勢
  參考文獻
第2章  手背靜脈圖像采集設(shè)備
  2.1  手背靜脈成像機理
    2.1.1  遠紅外成像原理
    2.1.2  近紅外成像原理
    2.1.3  近紅外成像方式
  2.2  手背靜脈圖像采集設(shè)備參數(shù)設(shè)計及器件選擇
    2.2.1  對比度和光斑
    2.2.2  圖像采集部分
  2.3  手背靜脈圖像采集設(shè)備的實現(xiàn)
    2.3.1  基礎(chǔ)參數(shù)設(shè)定及**代采集系統(tǒng)
    2.3.2第二代改進采集系統(tǒng)
  2.4  本章小結(jié)
  參考文獻
第3章  手背靜脈圖像數(shù)據(jù)庫的建立
  3.1  現(xiàn)有手背靜脈圖像數(shù)據(jù)庫
  3.2  手背靜脈圖像數(shù)據(jù)庫
    3.2.1  NcuT手背靜脈圖像數(shù)據(jù)庫
    3.2.2  跨時間段的手背靜脈圖像數(shù)據(jù)庫
    3.2.3  跨設(shè)備的手背靜脈圖像數(shù)據(jù)庫
  3.3  大樣本手背靜脈圖像的合成
    3.3.1  樣本合成理論
    3.3.2  雙PCA投影空間
    3.3.3  雙PCA動態(tài)空間的手背靜脈圖像合成方法
  3.4  手背靜脈合成圖像的評價
    3.4.1  *優(yōu)特征樣本集w值的選取
    3.4.2  合成手背靜脈圖像的評價
  3.4  13合成手背靜脈圖像數(shù)據(jù)庫的建立
  3.5  合成手背靜脈圖像數(shù)據(jù)庫的識別測試
  3.6  本章小結(jié)
  參考文獻
第4章  手背靜脈圖像的質(zhì)量評價
  4.1  手背靜脈圖像的質(zhì)量評價標準
    4.1.1  主觀質(zhì)量評價標準
    4.1.2  客觀質(zhì)量評價標準
  4.2  步進式手背靜脈圖像質(zhì)量評價方法
    4.2.1  步進式圖像質(zhì)量評價模型
    4.2.2  手背靜脈圖像質(zhì)量評價參數(shù)
    4.2.3  手背靜脈圖像評價過程及結(jié)果
  4.3  基于多參數(shù)融合的手背靜脈圖像質(zhì)量評價方法
    4.3.1  對比度的貢獻度
    4.3.2  有效區(qū)域的貢獻度
    4.3.3  清晰度的貢獻度
    4.3.4  位置偏移的貢獻度
    4.3.5  圖像旋轉(zhuǎn)的貢獻度
    4.3.6  各參數(shù)貢獻度的加權(quán)融合
  4.4  異質(zhì)手背靜脈圖像質(zhì)量標準
    4.4.1  異質(zhì)手背靜脈圖像
    4.4.2  異質(zhì)手背靜脈圖像的質(zhì)量參數(shù)
  4.5  本章小結(jié)
  參考文獻
第5章  手背靜脈圖像的容量分析
  5.1  基于信息熵手背靜脈圖像身份識別的可行性
    5.1.1  熵與互信息
    5.1.2  圖像的熵
    5.1.3  圖像的互信息
    5.1.4  手背靜脈圖像身份識別的可行性
  5.2  基于圖像編碼的樣本容量分析
    5.2.1  基本假設(shè)
    5.2.2  灰度共生矩陣
    5.2.3  圖像分塊編碼
    5.2.4  手背靜脈圖像的潛在容量估算
    5.2.5  估算方法的有效性驗證
  5.3  本章小結(jié)
  參考文獻
第6章  手背靜脈圖像紋理結(jié)構(gòu)的特征提取
  6.1  手背靜脈圖像特征提取的方法
  6.2  LBP算子
    6.2.1  標準LBP算子
    6.2.2  歸一化LBP算子
    6.2.3  旋轉(zhuǎn)不變歸一化LBP算子
    6.2.4  分塊LBP算法
  6.3  基于多尺度的LBP算法
    6.3.1  多尺度分析
    6.3.2  傳統(tǒng)多尺度LBP算法
    6.3.3  PLBP與多尺度分析融合算法
    6.3.4  算法對比
  6.4  基于加權(quán)糾錯編碼的改進LBP算法
    6.4.1  特征加權(quán)
    6.4.2  糾錯碼
    6.4.3  算法對比
  6.5  局部宏觀和微觀融合的改進LBP算子
    6.5.1  MB—LBP算子
    6.5.2  CS—LBP算子
    6.5.3  MB—CSLBP算子
    6.5.4  算法對比
  6.6  基于LBP的特征編碼
    6.6.1  特征編碼
    6.6.2  BP人工神經(jīng)網(wǎng)絡編碼器
    6.6.3  正交碼
    6.6.4  特征編碼策略
    6.6.5  分類器設(shè)計和結(jié)果分析
    6.6.6  ：BP編碼策略和LBP編碼策略的討論
  6、7本章小結(jié)
  參考文獻
第7章  手背靜脈圖像的分類決策
  7.1  基于SIFT的多模板分類器設(shè)計
    7.1.1  手背靜脈圖像SIFT特征提取
    7.1.2  改進的手背靜脈圖像SItlT特征點精篩選
    7.1.3  基于SIFT的多集合模板
    7.1.4  SIF、T多模板分類決策
  7.2  多分類器融合的靜脈特征匹配
    7.2.1  SVM
    7.2.2  SVM多核學習
    7.2.3  多分類器融合
    7.2.4  融合結(jié)果分析
  7.3  隨機關(guān)鍵點產(chǎn)生與細粒度匹配算法
    7.3.1  基于高斯分布的隨機關(guān)鍵點生成方法
    7.3.2  細粒度特征點匹配
    7.3.3  實驗結(jié)果分析
  7.4  深度信念網(wǎng)絡
    7.4.1  深度信念網(wǎng)絡概述
    7.4.2  限制玻爾茲曼機
    7.4.3  DBN模型訓練
    7.4.4  分類碼組合
  7.5  本章小結(jié)
  參考文獻
第8章  手背靜脈圖像的活體檢測
  8.1  生物特征的活體檢測
  8.2  假手背靜脈圖像庫的建立
  8.3  手背靜脈圖像活體檢測的時域分析
    8.3.1  粗特征分析
    8.3.2  細特征分析
  8.4  手背靜脈圖像活體檢測的頻域分析
    8.4.1  頻譜塊能量特征
    8.4.2  頻域特征的真假分類
  8.5  手背靜脈圖像活體檢測的模型分析
    8.5.1  真實手背靜脈圖像投影空間的建立
    8.5.2  投影并提取干擾信息
    8.5.3  基于AR模型的功率譜估計
  8.6  本章小結(jié)
  參考文獻
第9章  手背靜脈身份識別系統(tǒng)
  9.1  手背靜脈圖像的預處理
    9.1.1  圖像噪聲抑制
    9.1.2  靜脈圖像矯正
    9.1.3  ROI的提取
    9.1.4  手背靜脈圖像增強與歸一化
  9.2  手背靜脈紋理的分割算法
    9.2.1  靜脈紋理分割方法
    9.2.2  梯度增強的靜脈圖像分割方法
  9.3  基于手背靜脈的門禁系統(tǒng)設(shè)計
    9.3.1  系統(tǒng)結(jié)構(gòu)和流程
    9.3.2  系統(tǒng)的硬件選擇
    9.3.3  系統(tǒng)軟件設(shè)計
    9.3.4  特征提取算法及分類器設(shè)計
    9.3.5  系統(tǒng)測試結(jié)果
    9.3.6  手背靜脈分布式系統(tǒng)架構(gòu)
  9.4  本章小結(jié)
參考文獻