基于子空間分析的手背靜脈識別算法研究.pdf

1、手背靜脈識別是生物特征識別技術領域的重要組成部分，具有非常廣泛的應用前景。如何從手背靜脈圖像中有效地提取出區(qū)別于其它個體的特征，是手背靜脈識別研究的一個關鍵所在。在眾多的特征提取方法中，子空間方法以其描述能力強、計算代價小、可分性好等特點而備受研究人員的親睞，現(xiàn)已成為手背靜脈圖像識別的主流方法之一。本文以基于子空間分析的手背靜脈特征提取為主題進行了相關研究，針對現(xiàn)有特征提取方法存在的問題，將多種特征提取手段相結合，提出幾種高效的手背靜脈

2、特征提取算法。本文主要工作及貢獻如下:
　　(1)首次將用于線性回歸的偏最小二乘算法用于手背靜脈識別。由于偏最小二乘法同時從輸入變量（利用訓練樣本構造的）和輸出變量（包含訓練樣本的類別信息）中提取主成分，并充分考慮主成分之間的關系，因此偏最小二乘法可以用訓練樣本解釋圖像的類別信息，提取具有更多圖像類別信息的、對于分類匹配十分有利的特征。實驗結果表明，將偏最小二乘法用于手背靜脈識別可以獲得比傳統(tǒng)降維方法—主成分分析和獨立成分分析更加

3、理想的識別性能。
　　(2)針對獨立成分分析在提取手背靜脈特征時沒有考慮訓練樣本中的類別信息、影響分類效果的問題，將獨立成分分析和廣義判別分析相結合，提出了一種新的手背靜脈識別算法—廣義判別獨立成分分析。首先運用獨立成分分析降低手背靜脈空間的維數(shù)，得到訓練樣本的統(tǒng)計獨立基向量，再對基向量張成的子空間實行廣義判別分析，提取分類特征。實驗結果表明，類別信息的融入大大提高了算法的識別率。
　　(3)非負矩陣分解在非負性約束下，對非

4、負的樣本數(shù)據(jù)進行非負分解，學習得到的基向量中含有圖像的局部特征信息，且具有明確的物理含義，是一種有效的特征提取方法。但是非負矩陣分解是非監(jiān)督學習算法，識別能力不強。為此，本文引入核直接判別分析，提出了核判別非負矩陣分解。在該方法框架中，利用樣本數(shù)據(jù)的局部特征來構建分類向量，使得在新的特征空間中，同類樣本的投影向量集中，而異類樣本的投影向量分散。實驗結果表明，本文提出的核判別非負矩陣分解算法兼顧了樣本的局部特征和樣本的可分性，獲得了比較理

5、想的識別結果。
　　(4)將基于流形學習的子空間特征提取方法用于手背靜脈識別，運用局部保持投影來保持手背靜脈空間的流形結構，提取局部判別特征。但是在小樣本手背靜脈識別中，局部保持投影特征方程矩陣存在奇異性。解決此問題的傳統(tǒng)方法是運用主成分分析對原始數(shù)據(jù)樣本進行降維，以確保特征方程矩陣是非奇異的，再運用局部保持投影進行特征提取。然而主成分分析只考慮了圖像數(shù)據(jù)中的二階統(tǒng)計信息，無法利用那些可能包含像素間的高階統(tǒng)計關系的重要信息。為了解

6、決這個問題，對主成分分析與局部保持投影相結合的方法進行改進，運用核主成分分析降低手背靜脈空間的維數(shù)，以最大程度地保持局部判別信息，提取圖像中的非線性特征。實驗結果表明，核主成分分析與局部保持投影相結合的方法識別性能要優(yōu)于主成分分析與局部保持投影相結合的方法。
　　(5)對二維特征的手背靜脈識別方法進行了研究，針對傳統(tǒng)基于二維圖像矩陣的算法只在圖像的行方向進行數(shù)據(jù)壓縮、且提取的特征維數(shù)較高的問題，提出了基于分塊雙向二維局部保持投影的

7、手背靜脈特征提取方法。該方法首先對手背靜脈圖像進行分塊，然后針對所有訓練圖像對應位置上的子圖像，構造樣本集，實施二維局部保持投影，以提取行方向的局部特征，再將特征矩陣轉置，實施第二次二維局部保持投影，進一步提取其列方向的局部特征，得到每個位置上子圖對應的投影矩陣，然后將每個位置上的子圖分別投影到各自對應的子空間上，最后組合成特征矩陣。兩次局部保持投影的施行可以使得圖像行和列方向上的維數(shù)都得到有效的約簡。實驗結果表明，與傳統(tǒng)的基于二維矩陣