中期進(jìn)展報(bào)告--陽升

1、12報(bào)告主要內(nèi)容報(bào)告主要內(nèi)容選題背景及意義選題背景及意義研究內(nèi)容及方法研究內(nèi)容及方法已完成工作已完成工作下一步工作下一步工作123431、選題目的、選題目的 隨著生物特征識別技術(shù)在日常生活中日益隨著生物特征識別技術(shù)在日常生活中日益發(fā)揮出巨大的作用，基于不同特征信息識發(fā)揮出巨大的作用，基于不同特征信息識別方法層出不窮，而作為對生物識別技術(shù)別方法層出不窮，而作為對生物識別技術(shù)的有力補(bǔ)充，手指靜脈識別技術(shù)一經(jīng)提出的有力補(bǔ)充，手指靜脈識別技術(shù)一經(jīng)提出就得到了廣泛的關(guān)注。然而這一技術(shù)尚不就得到了廣泛的關(guān)注。然而這一技術(shù)尚不成熟，在圖像的成熟，在圖像的特征提取與匹配特征提取與匹配方面仍存方面仍存在一些問題

2、，促使本文對這個(gè)問題加以研在一些問題，促使本文對這個(gè)問題加以研究，這就是究，這就是本論文選題本論文選題主要目的。主要目的。 42、研究內(nèi)容及方法、研究內(nèi)容及方法 本課題研究的主要內(nèi)容是手指靜脈圖像的特征提取算本課題研究的主要內(nèi)容是手指靜脈圖像的特征提取算法的研究。法的研究。（1）對于圖像庫中每一副圖像，利用）對于圖像庫中每一副圖像，利用Haar函數(shù)做三層小函數(shù)做三層小波變換，得到不用尺度的小波子段圖像序列，提取低頻子波變換，得到不用尺度的小波子段圖像序列，提取低頻子帶圖像帶圖像A，降低了原圖像的維數(shù)，同時(shí)也消除了高頻子帶，降低了原圖像的維數(shù)，同時(shí)也消除了高頻子帶上的冗余信息，有利于后序的分類。

3、上的冗余信息，有利于后序的分類。（2）選取一定數(shù)量的對訓(xùn)練樣本圖像進(jìn)行基于行的）選取一定數(shù)量的對訓(xùn)練樣本圖像進(jìn)行基于行的2DPCA變換，獲得投影矩陣變換，獲得投影矩陣（3）對訓(xùn)練樣本圖像進(jìn)行基于列的）對訓(xùn)練樣本圖像進(jìn)行基于列的2DLDA變換，獲得投變換，獲得投影矩陣影矩陣（4）將低頻子帶圖像）將低頻子帶圖像A同時(shí)投影到同時(shí)投影到 和和 ，得到特征矩陣得到特征矩陣（5）采用最近鄰法進(jìn)行分類識別。）采用最近鄰法進(jìn)行分類識別。optXoptZoptXoptoptCAXZToptZ52、研究內(nèi)容及方法、研究內(nèi)容及方法(1)特征提取和識別系統(tǒng)如下圖所示特征提取和識別系統(tǒng)如下圖所示 2、研究內(nèi)容及方法、研

4、究內(nèi)容及方法(2)小波變換小波變換一副圖像經(jīng)過一層二維小波變換后，被分一副圖像經(jīng)過一層二維小波變換后，被分成成 四個(gè)子圖，四個(gè)子圖， 其中，其中， 頻帶為原圖像的低頻分量，頻帶為原圖像的低頻分量， 頻帶為水平細(xì)節(jié)分量，頻帶為水平細(xì)節(jié)分量， 為垂直細(xì)節(jié)分為垂直細(xì)節(jié)分量，量， 為對角細(xì)節(jié)分量。實(shí)驗(yàn)中提取的為對角細(xì)節(jié)分量。實(shí)驗(yàn)中提取的是圖像低頻分量，即可以降低圖像矩陣是圖像低頻分量，即可以降低圖像矩陣維數(shù)，也可以消除冗余信息。維數(shù)，也可以消除冗余信息。 6）（）（）（）（，1111HHHLLHLL）（1LL）（1LH）（1HL）（1HH2、研究內(nèi)容及方法、研究內(nèi)容及方法（3）2DPCA算法簡介算法簡

5、介 通過訓(xùn)練一定數(shù)量的樣本圖像，得到它通過訓(xùn)練一定數(shù)量的樣本圖像，得到它們的總體散度矩陣們的總體散度矩陣 G ,求取該矩陣的前求取該矩陣的前 p個(gè)最大特征向量值，得到投影特征矩個(gè)最大特征向量值，得到投影特征矩陣。該算法進(jìn)行訓(xùn)練的時(shí)間比較短，但陣。該算法進(jìn)行訓(xùn)練的時(shí)間比較短，但是沒有用到樣本的類別信息，因而進(jìn)行是沒有用到樣本的類別信息，因而進(jìn)行特征識別和分類的時(shí)間比較長。特征識別和分類的時(shí)間比較長。72、研究內(nèi)容及方法、研究內(nèi)容及方法(3)2DLDA算法描述算法描述 該算法通過訓(xùn)練樣本圖像得到類間散度該算法通過訓(xùn)練樣本圖像得到類間散度矩陣矩陣 和類內(nèi)散度矩陣和類內(nèi)散度矩陣 ，然后求取，然后求取

6、的特征值和特征向量，選取前的特征值和特征向量，選取前q個(gè)個(gè)最大特征向量值，得到投影特征矩陣。最大特征向量值，得到投影特征矩陣。該算法充分利用了圖像的分類信息，識該算法充分利用了圖像的分類信息，識別時(shí)間相對別時(shí)間相對2DPCA較短，但是訓(xùn)練時(shí)間較短，但是訓(xùn)練時(shí)間加長了。加長了。8bSwSb1-wSS93、已完成工作、已完成工作（1）圖像的分辨率歸一化）圖像的分辨率歸一化選取選取40個(gè)人，每個(gè)人個(gè)人，每個(gè)人10幅不同時(shí)期的手指靜脈圖幅不同時(shí)期的手指靜脈圖像，將這些圖片轉(zhuǎn)換為像，將這些圖片轉(zhuǎn)換為76*170，便于實(shí)驗(yàn)算法的，便于實(shí)驗(yàn)算法的進(jìn)行進(jìn)行（2）選取）選取40個(gè)人的前個(gè)人的前6幅作為幅作為2D

7、PCA算法的訓(xùn)練算法的訓(xùn)練樣本，后樣本，后4幅作為測試樣本，選取不同數(shù)量的投影幅作為測試樣本，選取不同數(shù)量的投影軸進(jìn)行實(shí)驗(yàn)，得到不同的識別率和測試時(shí)間軸進(jìn)行實(shí)驗(yàn)，得到不同的識別率和測試時(shí)間（3）針對）針對2DPCA和和2DLDA算法的優(yōu)缺點(diǎn)，將兩算法的優(yōu)缺點(diǎn)，將兩種算法結(jié)合起來進(jìn)行實(shí)驗(yàn)。將圖像進(jìn)行基于列的種算法結(jié)合起來進(jìn)行實(shí)驗(yàn)。將圖像進(jìn)行基于列的2DPCA變換，選取變換，選取p個(gè)投影特征數(shù)，然后再進(jìn)行個(gè)投影特征數(shù)，然后再進(jìn)行基于行的基于行的2DLDA變換，選取前變換，選取前q個(gè)投影特征數(shù)，個(gè)投影特征數(shù)，最后得到一個(gè)最后得到一個(gè)p*q的特征矩陣，用于測試樣本的識的特征矩陣，用于測試樣本的識別。別

8、。103、已完成工作、已完成工作（4）為了提高識別速度和識別率，本文）為了提高識別速度和識別率，本文提出一種改進(jìn)的算法。將這提出一種改進(jìn)的算法。將這400幅圖像利幅圖像利用用Harr函數(shù)進(jìn)行小波變換，提取它們的函數(shù)進(jìn)行小波變換，提取它們的低頻分量低頻分量LL，將，將LL直接作為圖像新的訓(xùn)直接作為圖像新的訓(xùn)練樣本，再進(jìn)行練樣本，再進(jìn)行2DPCA+2DLDA算法，算法，經(jīng)實(shí)驗(yàn)對比得出，該算法識別速度明顯經(jīng)實(shí)驗(yàn)對比得出，該算法識別速度明顯提高，識別率增加。提高，識別率增加。114、實(shí)驗(yàn)結(jié)果、實(shí)驗(yàn)結(jié)果（1）2DPCA算法算法選取選取40個(gè)人的前個(gè)人的前6幅做訓(xùn)練樣本，后幅做訓(xùn)練樣本，后4幅幅做測試樣本

9、，通過不同的投影軸數(shù)目，做測試樣本，通過不同的投影軸數(shù)目，得到不同的識別率和識別時(shí)間。得到不同的識別率和識別時(shí)間。投影軸數(shù)目投影軸數(shù)目識別時(shí)間識別時(shí)間(s)識別率識別率d=1t=0.5622270.9938d=2t=0.5953160.9938d=3t=0.7206880.9938d=4t=1.0435250.9938d=5t=1.1043871124、實(shí)驗(yàn)結(jié)果、實(shí)驗(yàn)結(jié)果（2）2DPCA+2DLDA算法算法選取選取40個(gè)人的前個(gè)人的前6幅做訓(xùn)練樣本，后幅做訓(xùn)練樣本，后4幅幅做測試樣本，通過不同的投影軸數(shù)目，做測試樣本，通過不同的投影軸數(shù)目，得到不同的識別率和識別時(shí)間。得到不同的識別率和識別時(shí)間

10、。2DPCA投影投影2DLDA投影投影識別時(shí)間（識別時(shí)間（s） 識別率識別率p=5q=5t=0.45400.9938p=10q=5t=0.43771p=10q=10t=0.63661p=15q=5t=0.44160.9938p=15q=10t=0.64870.9938p=15q=15t=0.88190.9938134、實(shí)驗(yàn)結(jié)果、實(shí)驗(yàn)結(jié)果（3）小波變換）小波變換+2DPCA+2DLDA算法算法將圖像庫中所有圖片進(jìn)行小波變換，提將圖像庫中所有圖片進(jìn)行小波變換，提起低頻系數(shù)作為新的圖像樣本。選取起低頻系數(shù)作為新的圖像樣本。選取40個(gè)人的前個(gè)人的前6幅做訓(xùn)練樣本，后幅做訓(xùn)練樣本，后4幅做測試幅做測試樣

11、本，通過不同的投影軸數(shù)目，得到不樣本，通過不同的投影軸數(shù)目，得到不同的識別率和識別時(shí)間。同的識別率和識別時(shí)間。2DPCA投影投影2DLDA投影投影識別時(shí)間（識別時(shí)間（s） 識別率識別率p=5q=5t=0.004900.9938p=10q=5t=0.004871p=10q=10t=0.004751p=15q=5t=0.004861p=15q=10t=0.004651p=15q=15t=0.004701144、下一步工作、下一步工作（1）試驗(yàn)結(jié)果比較）試驗(yàn)結(jié)果比較 分別進(jìn)行分別進(jìn)行2DPCA算法，算法，2DLDA算法，算法，2DPCA+2DLDA算法，小波變換算法，小波變換+2DPCA+2DLDA算法的實(shí)驗(yàn)，將這三次實(shí)算法的實(shí)驗(yàn)，將這三次實(shí)驗(yàn)進(jìn)行橫向和縱向的比較，通過選取不同的驗(yàn)進(jìn)行橫向和縱向的比較，通過選取不同的訓(xùn)練樣本數(shù)和投影軸數(shù)目，通過實(shí)驗(yàn)