编号：B592
大小：67M
环境：Matlab2020
文档：基于Matlab SIFT手背静脉识别算法配套文档
简介：针对热门的静脉识别领域技术，本次研究基于手背静脉生物识别技术的原理方法提出一种位移和旋转不变性的局部尺度不变特征（SIFT, scale in- variant feature transform）分析方法。首先对手背静脉的ROI区域进行定位刻画后利用对比度受限的自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization）算法进行图像去噪。对去噪后的图像提取手背静脉SIFT后匹配特征点。最后计算训练样本和测试样本的特征匹配比率并进行图像识别。利用导师提供的手背静脉血管图像数据库对该算法进行性能测试并与现行方法精细对比。实验表明：SIFT算法在手背静脉识别领域具有更好的识别性能。

运行展示

提取的图像结果分析
利用上述算法，对手静脉图像进行特征提取。以L_1、L_2、R_1、R_2为例，提取的手静脉特征点如Figure 24所示。由Figure 24可以发现，红色小圈的圆心就是特征点的位置。蓝色箭头对应的初始坐标为该特征点的具体坐标，长度代表该特征点的尺度，箭头的方向则代表在该尺度下特征点所属区域的主梯度方向。
从图中我们可以直观地发现，左右手的特征点具有显著的差异性：左手的特征点较为分散，更多地集中在中上部分；而右手的特征点则更集中于中间部分。

特征向量普遍位于图片边缘或有灰度突变的位置，在手静脉图片中则体现为静脉分支以及静脉走向，相对于简单的交叉点及端点，静脉走向分布的特征向量会提供更稳定，更独特的特征向量，为后期更好地匹配打下基础。在传统的视觉模式识别算法中，往往会对静脉的端点以及连通处进行识别与提取，忽略了静脉本身的纹路走向也具备个体特征的特点，导致最后提取的特征向量在识别中出现较多的重合值或无效值。通过对20幅手背静脉图像特征向量的整体对比，发现特征向量基本是分布在手静脉的纹路和空白皮层的交界处，并沿着纹路出现。说明SIFT算法在本次研究的手静脉特征识别项目中具有较好的稳定性以及较优异的识别性能。

匹配结果分析
通过多次实验对比后，本文设定阈值thmatch=0.9。以一张左手手静脉图片（L_1），一张右手手静脉图片(R_2)作为测试图像，其余为训练图像，通过对训练图像特征向量的获取以及逐一对比，最后根据手静脉区分出左手或右手并将结果输出到用户交互界面。以L_1为例，最为相似的是L_3图片（Figure 26），匹配率为70.53%，以R_2为例，最为相似的是R_3图像，匹配率为80.76%。从图中可以发现，大部分特征点匹配正确，有少部分的点出现了错误匹配。

接下来对全部手背静脉图像进行匹配，结果如表所示：

由表可知，没有出现左右手错误识别的情况，说明本次研究的算法可以正确地区分左手和右手且图像匹配的相似度都在70%以上。

配套文件

我们提供完整项目文件清单如下：
文件目录
├ 1.项目源码
├ 2.运行截图
└ 3.演示视频