导读:本文包含了手掌静脉识别论文开题报告文献综述及选题提纲参考文献，主要关键词:生物特征识别,手掌静脉识别,卷积神经网络双通道卷积神经网络,迁移学习
手掌静脉识别论文文献综述
袁丽莎[1]（2019）在《基于深度学习的手掌静脉识别》一文中研究指出随着电子商务尤其是在线支付的迅猛发展,对身份认证提出了更高的要求。传统的身份认证(以密码、U盾、IC卡为主)方式难以满足高安全性、高可靠性以及便利性要求,从而推动了生物特征识别的研究和发展。在以掌纹识别、指纹识别、静脉识别、虹膜识别、人脸识别等生物特征识别领域,静脉(本文以手掌静脉为研究对象)以其独有的活体性、唯一性、根植皮内、无法伪造等特点,逐渐成为生物特征识别领域的研究焦点。其基本原理是手掌在一定波长范围内(波长为720nm～1100nm)的近红外光照射下,由于手掌皮肤下静脉中的血红蛋白对近红外光有强吸收特性,反射到传感器上形成较暗的纹路,而周围组织由于吸光性弱,反射回传感器上形成较亮区域,从而形成亮度不同的灰度图像,即为手掌静脉(以下简称“掌脉”)图像,在掌脉图像达到一定分辨率后即可用于身份认证。掌脉识别主要包括图像采集、图像预处理、特征提取和分类识别。一方面,传统掌脉识别方法首先对近红外光拍摄获取的手掌静脉图像进行增强去噪等处理,然后提取静脉特征,对静脉特征进行编码,生成能够表达掌脉图像的特征向量,最后使用各种分类算法对特征向量进行分类识别。其中,特征提取是掌脉识别的关键步骤。传统掌脉识别方法虽获得了较好的掌脉识别精度,但特征提取需依赖研究人员的经验手工设计符合掌脉图像的特征提取方法,且该方法还需以高质量的掌脉图像为基础,即需要在预处理阶段进行大量的操作,以突出静脉信息。另一方面,随着卷积神经网络在计算机视觉领域的发展,人们开始利用卷积神经网络来替代传统方法自动学习掌脉特征。但是,训练一个具有较强特征表达能力的卷积神经网络,需要大量的数据样本进行参数调整,增加计算量,且网络训练过程中产生的大量参数容易发生过拟合现象。另外,传统神经网络多是单通道,当网络层次较少时,不能完全提取原掌脉的特征信息,且提取的掌脉特征抽象程度不高、表达能力不强,导致在对掌脉进行分类识别时,识别精度也不高;当网络层次过多时,又容易出现梯度弥散现象。基于以上问题,本文提出了两种方法:(1)提出一种基于双通道卷积神经网络的掌脉识别方法。有效解决了小样本数据、单通道卷积神经网络提取特征不充分以及网络层次过多导致的梯度弥散问题。该方法利用多通道、不同大小的卷积核对原始掌脉图像进行特征提取,获得丰富的掌脉特征信息,然后在全连接层进行特征融合,以提取更深层次的分类信息,最后采用softmax分类器进行分类识别。在PolyU库、CASIA库以及自建库上采用本文方法都获得了一个好的结果,识别精度分别为99.90%、90.75%、95.25%。相较传统掌脉识别方法,本文提出的双通道卷积神经网络具有更强的学习能力和更好的泛化能力,即使在没有预处理的情况下也可以获得一个好的结果。此外,本文对神经网络的改进,也体现了卷积神经网络良好的可扩展性和泛化能力。(2)提出了一种基于迁移学习和随机森林的手掌静脉识别新方法。能自动提取掌脉特征并进行分类识别,避免了人工选择特征提取算法的局限性,有效降低了手掌静脉的分类误差。该方法首先利用预训练深度神经网络模型AlexNet提取掌脉特征,使用迁移学习的思想有效避免了大量的调参工作,提高了掌脉分类效率,且足够深度的卷积神经网络模型提取的特征信息辨别能力更强。然后采用主成分分析法(PCA)对提取的高维掌静脉特征进行降维处理,以减少存储空间、降低分类误差。最后结合对噪声具有很好容忍能力的随机森林进行分类。评估实验所用的数据库来源于公开的PolyU库、CASIA库和自建库,测试精度分别为100%、97.00%、99.50%。相较传统人工特征,深度卷积神经网络提取的掌脉特征包含更多的数据信息、可辩别能力强,且对光照和旋转具有不变性。(本文来源于《南方医科大学》期刊2019-05-01）
杜东阳,路利军,符瑞阳,袁丽莎,陈武凡[2]（2019）在《手掌静脉识别:基于端到端卷积神经网络方法》一文中研究指出目的提出一种基于端到端卷积神经网络的手掌静脉识别方法。方法在构建的手掌静脉识别网络模型中,卷积层和池化层交替级联提取图像特征,同时通过神经网络分类器进行分类识别,采用包含动量项的随机梯度下降法最小化识别误差,在误差减小的方向上不断优化模型。采用训练集数据扩展、批归一化、Dropout、L2参数正则化四种方法提升网络的泛化能力。结果对公共的PolyU库(图像在高约束条件下获取)和自建库(图像在自然条件下获取)中全部500个对象的识别,正确识别率分别达到99.90%和98.05%,单个样本的识别时间均小于9 ms。结论与传统算法相比,本文方法能够有效提升掌静脉识别在实际应用中的准确率,为掌静脉识别提供一种新思路。(本文来源于《南方医科大学学报》期刊2019年02期）
黄树恒[3]（2018）在《借助手掌静脉识别技术 助力中国金融业技术创新》一文中研究指出近年来,如何提供方便、安全的金融服务,提高银行客户满意度,增强银行竞争力,一直是银行业极力寻求解决的课题。攀枝花市商业银行引领行业潮流,在ATM设备上增加生物识别模块,提供无卡存取款业务。客户只需在ATM设备上,输入预留手机号码,再扫描手掌静脉并输入密码,完成身份验证后,即可轻松办理存款、取款、转账、查询等业务。整个过程无需插入银行卡,避免了丢失、吞卡、卡片消磁等问题,具有安全、快捷、方便等特点,提高了客户的体验度和满意度。(本文来源于《金融电子化》期刊2018年05期）
郭航[4]（2018）在《手掌静脉识别技术在支付行业的应用前景分析》一文中研究指出随着我国支付产业的迅猛发展,金融科技与支付服务的融合也日益深入。支付规模的扩张和支付形式的日益丰富,对准确、迅速识别个人支付者的身份提出了更高的要求。在此背景下,身份识别技术也日新月异,越来越多的生物识别技术开始进行商业化试用,其中手掌静脉识别技术已应用于部分领域。(本文来源于《中国信用卡》期刊2018年05期）
叶慧[5]（2018）在《基于方向局部描述子的掌纹和手掌静脉识别研究》一文中研究指出近年来,生物特征识别技术被公认为一种安全有效的身份认证解决方案,已成为发达国家高度重视并大力发展的关键技术和产业。人体的生物特征众多,目前已被广泛使用的生物特征主要是指纹、人脸和虹膜,但是它们均存在一定的局限性。近十年来,掌纹和手掌静脉识别技术受到了学术界和产业界的广泛关注。与其他生物特征相比,掌纹和手掌静脉有许多独特的优势,这些优势使得掌纹和手掌静脉识别技术具有广泛的应用前景。然而,如何从掌纹和手掌静脉中提取有效特征,成为学术界和产业界一直在探索的问题。在众多图像特征提取方法中,基于图像局部描述子的方法对细节信息表征能力强,算法实现简单,无需训练,且对光照变化鲁棒,近年来得到广泛关注,已经在人脸识别等领域中得到了成功应用。研究者们也已经将图像局部描述子引入掌纹和手掌静脉识别领域,并取得了不错的效果。因此,本课题针对掌纹和手掌静脉中丰富的线方向特征,提出基于方向特征的描述子,大幅度提升掌纹和手掌静脉的识别性能。本课题的研究成果对科学发展和市场应用都具有重要意义。主要工作如下:1)对韦伯局部描述子(Weber Local Descriptor,WLD)及其变种算法进行了综述,分析它们在各主要应用领域中的特点和性能。2)对基于WLD的描述子进行改进,充分考虑掌纹和手掌静脉中丰富的线方向特征,提出多尺度多方向的泛化的韦伯局部描述子(Generalized Weber Local Descriptor,GWLD),提升掌纹和手掌静脉的识别精度。3)对基于线方向直方图(Histogram of Orientated Lines,HOL)的描述子进行改进,提出增强的线方向直方图(Enhanced Histogram of Orientated Lines,EHOL)描述子,提升掌纹和手掌静脉的识别精度。4)设计并实现了基于图像局部描述子的掌纹识别系统。(本文来源于《合肥工业大学》期刊2018-04-01）
郭秀梅,王成义[6]（2018）在《基于盒维的手掌静脉识别算法》一文中研究指出静脉识别具有高度防伪、简易便用、高度准确等优点,成为近几年新兴的生物特征识别技术。鉴于静脉血管分布具有一定的自相似性,具有较好的分形特征,因此将分形维数应用于手掌静脉识别系统中,提出了基于盒维的静脉识别算法。该算法在Poly U波长为880 nm的近红外光掌纹数据库上进行了试验,实验结果表明,盒维可以很好的提取静脉特征,获得的识别率可达99.3%,识别速度小于70 ms,远远满足在线静脉识别系统。(本文来源于《山东农业大学学报(自然科学版)》期刊2018年01期）
吴微,林森,苑玮琦[7]（2018）在《一种存储伪图像的手掌静脉识别研究》一文中研究指出传统的生物特征识别方法直接将用户的生物特征模板存储于数据库中。由于生物特征具有唯一性和稳定性,一旦被窃取,用户的生物特征将终身不可再用。针对此问题提出了一种存储伪生物特征图像的手掌静脉识别算法,该算法不从外部输入密钥,不存储原始掌脉生物特征模板。在注册阶段,于近红外光下采集用户手掌静脉图像,对图像进行加密形成伪图像,将伪图像存储于数据库中;在认证阶段,将数据库中的伪图像解密后提取特征,与认证阶段采集图像提取的特征进行匹配,给出认证结果。在PolyU图库、CASIA图库和自建图库上进行测试,结果表明:在样本数量为300时,该算法在上述3种图库中的等误率分别为0.4135%、0.5576%、0.4744%,识别时间分别为325.0740,316.0800,322.6530ms。在小范围样本内,所提算法适用于安防、考勤等场合,具有一定的实用价值。(本文来源于《光学学报》期刊2018年04期）
逄增耀,杨杰[8]（2018）在《基于方向梯度的快速手掌静脉识别》一文中研究指出针对目前在静脉纹理提取算法中,对图像质量要求高、算法复杂度高的问题,利用静脉图像的剖面线在静脉区域中灰度值会呈现山谷状变化的特征,通过计算静脉图像多方向的梯度矩阵,提出一种计算简单、快速且稳定的掌脉纹路中心和纹路宽度提取算法。在此基础上,采用相应的编码方法确定纹理图像灰度值分布。最后,利用模糊阈值判定以及全局灰度值匹配算法来提高算法的鲁棒性及识别精度。实验结果表明,算法纹路特征提取的速度为25.2 ms;在掌脉图像两两匹配的条件下,该算法EER达到3.21%。最终可以得出该算法在纹路提取效果、匹配正确率以及算法效率上都有较为明显的优势的结论。(本文来源于《计算机应用研究》期刊2018年03期）
常仙鹤[9]（2016）在《智冠股份手掌静脉识别应用迎来爆发期》一文中研究指出在手掌静脉识别领域，新叁板上市公司智冠股份在国内处于领先地位。公司董事长卢慧莉对中国证券报表示，掌静脉识别技术的安全性和稳定性在生物识别技术中遥遥领先，政务部门已陆续开始采用。2016年，更多的应用场景将出现，掌静脉识别技术将迎来爆发期。公司经营模式(本文来源于《中国证券报》期刊2016-02-24）
[10]（2015）在《手掌静脉识别技术的创新与应用》一文中研究指出一、掌静脉识别概述1.技术原理利用血液中的血红素有吸收红外线光的特质来进行静脉识别,静脉采集是通过红外摄像头捕获手指、手掌、手背内部的血管脉络灰度图,然后进行图像增强、滤波、归一化、二值化等多种处理过程提取特征值,并进行存储。静脉比对时,实时采集静脉图,利用复杂的匹配算法同存储在主机中的静脉特征值进行比对,从而准确可(本文来源于《中国安防》期刊2015年21期）
手掌静脉识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的提出一种基于端到端卷积神经网络的手掌静脉识别方法。方法在构建的手掌静脉识别网络模型中,卷积层和池化层交替级联提取图像特征,同时通过神经网络分类器进行分类识别,采用包含动量项的随机梯度下降法最小化识别误差,在误差减小的方向上不断优化模型。采用训练集数据扩展、批归一化、Dropout、L2参数正则化四种方法提升网络的泛化能力。结果对公共的PolyU库(图像在高约束条件下获取)和自建库(图像在自然条件下获取)中全部500个对象的识别,正确识别率分别达到99.90%和98.05%,单个样本的识别时间均小于9 ms。结论与传统算法相比,本文方法能够有效提升掌静脉识别在实际应用中的准确率,为掌静脉识别提供一种新思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
手掌静脉识别论文参考文献
[1].袁丽莎.基于深度学习的手掌静脉识别[D].南方医科大学.2019
[2].杜东阳,路利军,符瑞阳,袁丽莎,陈武凡.手掌静脉识别:基于端到端卷积神经网络方法[J].南方医科大学学报.2019
[3].黄树恒.借助手掌静脉识别技术助力中国金融业技术创新[J].金融电子化.2018
[4].郭航.手掌静脉识别技术在支付行业的应用前景分析[J].中国信用卡.2018
[5].叶慧.基于方向局部描述子的掌纹和手掌静脉识别研究[D].合肥工业大学.2018
[6].郭秀梅,王成义.基于盒维的手掌静脉识别算法[J].山东农业大学学报(自然科学版).2018
[7].吴微,林森,苑玮琦.一种存储伪图像的手掌静脉识别研究[J].光学学报.2018
[8].逄增耀,杨杰.基于方向梯度的快速手掌静脉识别[J].计算机应用研究.2018
[9].常仙鹤.智冠股份手掌静脉识别应用迎来爆发期[N].中国证券报.2016
[10]..手掌静脉识别技术的创新与应用[J].中国安防.2015
标签：生物特征识别; 手掌静脉识别; 卷积神经网络双通道卷积神经网络; 迁移学习;