1006大设计翻译版-以白帆

HandDorsalVeinRecognitionBasedonHierarchicalCombinationofShapeandTextureFeaturesAuthor:BaiTutor:HuangSometraditionalidentificationmethodshavebeenunabletocontentthegrowingneeds,andthenmanyhigh-techbiometricsystemscomesout,thehanddorsalveinasanimportantoneofthebiometricidentification’sfamilyhasalsobeenextensiveresearchanddevelopment.Nowthereareseveraldifferentkindsofhanddorsalvein,someofthemethodsuseshapefeaturestodescribethedistinctness,andtheothersusetexturefeatures.Thetwodifferentkindsofmethodshavetheirownadvantagesanddisadvantages,andtheyhaveacertainfusion.However,thereisnotmuchresearchaboutthefusionstrategieswhichcombinetheseforFirstofall,thispaperdescribesthebackgroundandsignificanceofhandveinrecognitionandthedetailedcurrentresearch.Thenitfocusesonthefeatureextractiontechniquebasedonshapeinformationandtextureinformation.Finally,itachievesthefusionofhandveinbasedonshapeandtexturefeaturesrecognitionmethod,andtoverifythereliabilityofthemethodbyexperiments.Themaininnovationofthispaperasthefollowingaspects:(1)Combinedtheshapefeaturesandtexturefeaturesofthehandveinimages;(2)Usingbinarycodingtotheextractionoftheshapefeature,thismethoddescribesthestructureofthehandveinfromtheimagesofbone;(3)Somedorsalhandveinrecognitionsystemsareproposed,whichcombinesthetextureandshapefeatures.：Handdorsalveinrecognition,featureextraction,LocalBinaryPattern,BinaryCoding,fusionstrategy绪 传统的识别技 基于LBP的纹理特征提 LBP特征提取实 致 绪目前世界上的手背静脉识别的方式主要有基于形状信息和基于纹理信息两种方法但是基于形状信息层级的静脉识别精度不够高，而基于纹理信息层级的静脉识别速度较慢，高速度较快的手背静脉识别传统的识别技自古以来识别就是人们日常生活中的重要组成部分之一，而随着社会的发展以于，水。目，人中最的技术以分[1]：个人识别码及。这种方式的重点之处在于用户需要记住某一信息如等，信息被其他人获得，那么其他人也可以用户本人进行操作。而在种情况之下，系统完全无法判断出者的，更无法事件的发生，、RFID卡等电证件。用户只要持有卡片就能证明自己的，不用去记虽然存在着不少的问题，但是传统的识别技术仍然因为其低廉的成本以及相对便实。鉴于此种情况，我国的《电子签名法》于2005年4月1日起正式颁布施行，为电子商务等网络应用提供了有效的法律依靠。现有的网络银行的机制完全依赖于用户账号和或者CA数字，但是这种机制是应用在服务器上，无法保障客户端的安全鉴于这些情况，人们需要更安全和有效的技术，以确保他们的合法权益不会受到，自己的账户信息不会被允许的第剽窃和盗取。因此，生物识别技术作为另外一类识别方法，因其具有的安全性、可靠性、便捷性等方面的优势，正在受到本身都具有一些特定的生理特征和行为特征，而所谓的生物识别技术就是将这些特征使用一些设备技术变成可以计算测量的生物信息，然后通过计算机使用生物统计学方法来进行识别的。于种被以生的总的来说，与传统识别技术相比，生物识别技术有以下几个优点：生物识别技术不需要除生物特征外的任何信息。它完全是通过对用户本人的行的电况的发生，难度相对较高。生物识别技术具有较高的稳定性和不变性。用户的等个人信息可能会随为改正是由于以上几种优势，所以生物识别技术吸引了越来越多的目光。许多国家以及高新技术公司近几年来都在大力发展生物识别技术，一些研究成果已经应用到了我们日常生活的方方面面。当然并不是所有的生物特征我们都可以用作生物识别技术。鉴别可利用的生物可测量性。即这种生物特征是可以通过某种仪器设备进量计算的稳定性。即这种生物特征在较长的一段时间内不会随着环境等因素的影响而随意变化。在生物识别技术应用的过程中，我们还需要考虑诸如识别精度、识别速度、对有识（图11识别技术指的是通过一些技术获取图像，然后利用计算分析其特征，通过从脊、谷、分叉点等特征点中抽取的特征值，从而可靠的确认用户的。识是通过一些设备对用户进行采样识别。虽然识别精度上与其它方法相比可能略逊一筹，膜的不会自行改变且每个人的虹膜都不一样的特点来进行识别的，虹膜在一睛而图图1.1常见的三种生物识别技术 、人脸、虹随着互联网技术以及信息科学技术的日益发展，对于人们也提出了新的要的经具别得到液中的，根据它吸收近红外线或辐射远红外线的特性[2]，将手背静脉图像用一定波长的机进行拍摄（图1.2，通过高斯滤波、中值滤波等预处理进行滤波增强与静脉纹路分割、细化，然后提取其特征，再与预先到数据库中的手背静脉特征数据进行匹配以确定个人[3]。1.2近红外下的手背14岁之后就基本不会变化，而每个人的手背静脉都具有唯一性，所以我们可以利用这种生物特征来实现识别。每个人的每根手指的手背静脉图像都不相同，是体体手背静脉特征在外观上比较明显，辨识度很高手背静脉识别属于非接触性识别技术，卫生性较高，更容易让用户接受。不会受到来自油污、磨损、装饰物等外在因素的影响，性强。综上所述，由于目前社会人们对等级的要求的日益提高，手背静脉识别的静脉血管近红外成像最早是应用在医学上的一种技术，直到1992年才将其应用到生物识别技术当中[5]。Kono等人在2000年率先研发出手指静脉识别系统，实现由于人的手背当中存在的静脉血管远比手指所具有的静脉血管丰富，能够为识别提供脉来进行验证。1995的ross理静进行认证[7]205[8]007的aai间复杂度很高，效率较低[9]。在国内2002年自主研发设计了近红外手背静脉识别系统,从此掀开了国内对静脉识别的研究工作,哈尔滨工程大学、吉林大学等国内多所高等院校陆续,通的2005年等人文章提出了针对手背静脉图像的细化和分割算法。2007年同济大学设计了嵌入式的手背静脉辅助[10]。208年大学的新釆用迭代的线性追踪方法提取线性特征并将其分块编码实现手指静脉在大型数据库中的搜索[11]。2009年的刘铁根、、提出了一种基于加速鲁棒性特征的手背静脉识别算法,并设计了k近邻分类器和支持向量机相融合的分类器进行识别[12][13]。2010年复旦大学的郑英杰,使用二维Gabor相位编码特征与直方图特征相结合的方法提取手背静脉特征[14]。2011年东学的,崔建江使用多尺度下轮廓波变换的子带能量为特征,分别建立了隐模型并进行融合,实现真假经过多年的发展，手背静脉识别技术取得了飞速的进步，在很多方面也有了丰硕的通过对国内外手背静脉识别技术发展现状的研究，本文提出了一种基于形状特息以及纹理特息融合的研究方法，主要内容如下：理方法做了分析研究，找到合适的预处理方法。本文通过对基于局部二值编码（LoalBiaryatrnsB算子的研究提出了手背静脉纹理特征的提取方法，同时通过对二值编码（iaryoing，C）的研究来进行手背静脉形状特征的提取方法。合理的融合策略使得在保证识别精度的情况之下也能拥有不错的识别速度。处理方法的研究，详细说明了本实验所采用的预处理。文所LBP和二值编码两种分别基于形状和基于纹理的特征提取方式。手背静脉图像的获取和预作为手背静脉识别的第一个步骤，静脉图像与获取在手背静脉识别的过程中起根据骨骼和肌肉的生物性质，当我们使用波长为700nm-1500nm的近红外光线术像，。由于通过手背静脉图像设备得到的手背静脉图像中包含着许多类似于背景之类的冗余、无用的信息，所以本文在特征提取之前的预处理阶段采用了滤波去噪以及感区域提取的方法。图21是本文采用的手背静脉图像预处理阶段的流程图。从中可以看到本文选取了高斯滤波器和中值滤波器来进行图像的去噪处理，其中高斯滤波器主要是用来去除图像ROI提360×360大小的图像，用来进行接下来的特征提取阶段。高斯滤波器中值滤波器感区域提取2.1手背静脉图像预处理流程高斯滤波是一种使用广泛的图像处理中的减噪技术，它的主要用处在于消除高斯噪行得到高斯滤波器是可以其权值的线性平滑滤波器。在图像处理的过程当中，我们一般使用二维零均值离散高斯函数作为一种平滑滤波的，其函数表达式如公式−(x2+y2

Gx,y= 2σ 单瓣的变换频谱。高斯函数的高斯函数就是它自己。在接收图像高斯滤波器的宽度是由参数σ实现的。σ和平滑程度的关系是成正比的，σ越大，宽度就越宽，所以平滑程度就越好。通过调节参数σ，可在图像特过于平滑和图像欠平滑之间取得一个合理的结果。而使孤立噪声点。模糊这一问题，而且对于脉冲和噪声消除很有效果。中值滤波器最早应用在一维信号的处理中，后来因为各方面的优点，所以人们尝试将其使用到二维图像值滤波的提取感区ROI（RegionOfInterest，感区域。图像处理中，从被处理的图像中以方框、椭圆、不规则多边形等方式勾勒出需要处理的区域，成为感区域。在OpenCV、等机器视觉软件上常用到各种算子和函数来求得感区域来进行图像的下一步处理，使用ROI提取技术可以减少处理时间，增加识别精度。在手背静脉图像中，包含有许多无用的信息，利用ROI提取技术将大大提高手背静脉识别的效率。以下提出一种计算感区域提取方法mpq=+∞+∞xpyqfx,y −∞μpq +∞(x−x)p(y−y)qf(x, −∞以图像质心为中心，距离中心 分割技术就是把图像分成具有独特性质的多个区域，然后提取ROI和过程。它是图像预阈值分割即通过一些阈值将图像分割成不同的区域，其在于如何寻找一个恰当的阈值。基于区域的分割方法之中包含了区域生长和合并法这两种具有鲜明特性的区域为将所为用的完成了一个区幅有目标，这就是合并的思想。Rorts算子、aae算子、Soel算子以及any算子等。边缘检测算法比较适合边缘的灰本章介绍了手背静脉图像的获取方式以及当前图像预处理阶段，着重对预处理阶段常用的一些技术做了分析比较，提出了本文在预处理阶段采用的流程图，为之后的特征提取阶段打好了基础。手背静脉图像的特征在完成了图像的预处理阶段之后，就要进行手背静脉图像的特征提取。目前的特征提取方式通常按照其提取的角度不同而分为纹理特征和形状特征。其中纹理特征描述整张图像的颜色分布和光强分布，而形状特征则是描述静脉图像的静脉结构信息。下文将对这两种不同的静脉提取方式进行研究。目前常用的纹理特征提取方法有局部二值模式（LocalBinaryPattern，LBP）、尺度不变特征转换（Scale-invariantFeatureTransform，SIFT）、Gabor小波变换、灰度共生矩阵算法（GreyLevelCo-occurrenceMatrix，GLCM）、独立分量分析（IndependentComponentysis，ICA）等几种，下文将一一介绍。LBP是一种独特的特征提取方式，它是用来描述图像局部纹理特征的算子，而且它提取的特息是局部图像的纹理特征。原始的LBP算子定义为在3×3的窗口内，将邻域内的8个像素的灰度值分别与窗口中心的像素点的灰度值进行比较，如果大于中心像素值则将像素点标记为1，如果小于中心像素值则将该像素点标记为0。由此我们在3×3的窗口中得到一个长度为8位的二进制数，这个二进制数就是该窗LBP值，我们就用得到的这个LBP值来表示该区域的纹理信息，如图3.1所示。3.1LBP通过上面的描述我们可以看到通过LBP算子我们可以在每个像素点都得到一个LBP编码，所以说当对一幅图像提取了LBP算子之后，其特征组合起来还是一幅。由分析我们不难看出，图像的LBP特征跟位置点的选择是密不可分的。如果我们直接对两幅采用LBP算子进行特征提取然后进行识别计算的话，很可能会因为位置的偏移从而产生很大的误差。后来人们将一幅划分为相同大小的若干个小块，我们称之为子区域，然后使用LBP算子对子区域挨个提取其特征，然后画出对应的LBP特征直方域，而这一个一个的直方图组成一整幅。举个例子：一幅200×200像素大小的，将它划分为400个子区域，然后使用LBP算子对每个子区域内的所有像素点都进行特征提取，然后建立统计直方图。这样我们400个统计直方图，而利变性而且能够在图像中检测出关键点。SIFT是一种局部描述子。该算法的思想是先求一幅图中的特征点和有关scale和orientation的描述子所得到的特征，然后进行图像特SIFT不变性和旋转不变性的点关键点定位。在每一个候选的位置上，依据关键点的稳定程度，通过一个拟合模型来确定尺度和位置，从而选择关键点的位置。方向确定。分配给每个关键点位置一个或多个方向，其依据是局部图像的梯度方向。之后的图像数据的操作都是相对于每个关键点的方向、尺度和位置的变换，从而保证对于变换的不变性。关键点描述。用一个特征向量来表示每个关键点的领域内测量出的图像局部的梯度。我们通常以计算可关键点周围16×16函数降低远离中心点的权重。这样就可以对每个特征形成一个128维的描述子，每一维都可以表示4×4个格子中一个的scale/orientation描述子.将这个向量归一化之后，就能3.2SIFTGabor 函数是一个用于边缘提取的线性滤波是图像处理中一种常用的技术。通过研究发现Gabor滤波器在纹理表达和分离方面具有很好的表现。一个二维Gabor滤Gabor滤波器的脉冲响应其实就是一个正弦波与高斯函数的乘积。由于卷积的性质，调和函数的变换和高斯函数变换的得到的卷积就是Gabor滤波器的脉冲响应的变换。对于图像特征提取来说，采用频率和方向都不相同的Gabor函数数组二维Gabor函数的数学表达如公式‘2+γ2gx，y；λ，θ，ψ，σ，γ=exp⁡（− ）exp⁡（i（2πx‘+ψ）（3.1）2σ x’=xcosθ+ysinθ,y’=-xsinθ+ycos公式中波长𝛌的值是像素，大于等于2，但过输入图像尺寸的五分之一；方向𝛉的大小为0到360的范围是从180度到180𝛄也叫做空间比，它是决定Gabor函数形状的椭圆率。当γ=1时，其形状是圆形。当γ<1时，其形状会随着平行条纹的方向拉长。通常情况下长宽比的值为05。因为纹理由位置中的空间灰度分布的周期性形成，因此相隔一定距离的一些像素点像的研究，我们就可以对图像的灰度空间纹理进行描述。我们通过计算两个灰度值在图像中相邻的次数可以得到的图像的灰度共生矩阵GLCM。GLCM中的每一个元素（x,y）代表两个灰度在图像中水平相邻的次数。因为在求取图像的GLCM区间的过程中使用动态方法的成本很高，所以我们选择将图像的灰度值图3.3向我们展示了如何求解灰度共生矩阵，其中GLCM（1，1）值为1是因为I中只有一对灰度为1的像素水平相邻；而GLCM（1，2）值为2，是因为在左图中有两对灰度为1和2的像素水平相邻。3.3灰度共生矩阵求解示独立分量分析是上世纪九十年代才逐渐发展起来的一种信号处理技术。基本的ICA是指从讲源信号分离技术，也就是把源信号从复杂信号中分离出来。ICA是伴随着盲信ICA ICA的算法的不同点主要体现在两个方面，其ICA算是A的形状特征提取的便捷性大大提高。下面是几种典型的形状特征描述方法：边界特征法。该方法通过对边界特征进行描述从而得到图像的形状参数，其傅里叶形状描述符法。这种方法的关键之处在于如何将二维问题转化成一个一维问题。通常使用的方法是对边界点(包括曲率函数、质心距离、复坐标函数)几何参数法。我们采用十分简单的区域特征描述方法来进行形状的识别和基于LBP上文中简要介绍了几种不同的纹理特征提取方法，其中LBP算法具有速度快、容易实现的特点，所以本文采用LBP算子作为手背静脉纹理特征提取方法。LBP是一种用来描述图像局部纹理特征的算子，与其他算法相比，它有旋转不变性和灰度不变性等优点。它是首T.Ojala,M.Pietikäinen和D.Harwood1994年提出并将其应用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征。在最初的LBP算法被提出后，研究又不断对其提出了改进和优化。如图3.1所示，原始的LBP算子定义为在3×3的窗口内，然后将窗口中心元素的置被标记为1，否则为0。这样得到的二进制序列为00111010，所以该像素点被分配的值为它所对应的十进制数58。最初的LP算子的缺点在于它所覆盖的区域是一个固定半径大小的区域，这在处时的究对BP算法进行了优化，将原来的邻域形状由正方形变成了圆形，适应性更好；同时还对邻域半径的大小做了改变，使其可以描述任意大小的区域。从而得到了如图34所示的各个不同的算子。3.4几种不同的LBP通过上面的描述我们可以看到通过 算子我们可以在每个像素点都得到一LBP编码，所以说当对一幅图像提取了LBP算子之后，其特征组合起来还是一幅（3.5所示3.5原始图像与LBP对于一个LBP算子来说，可以多种产生许多种二进制模式。对于半径R，邻P个点的区域来说，可见随着邻域集内采样P的增加，二进制模式的种类是指数形式LBP特征模式进行降维处理，使得模式数量减少的同时能够包含的图像的信息。为了提高LBP的统计性同时解决二进制模式过多的问题，Ojala等人提出了采用一种“统一模式”（UniformPattern）来对LBP算子进行降维的方式。通过对大量的统计结果显示，大部分的之中只会包含不超过两次的跳变，所谓跳变指的是从0 1或从1到0的变化。按照这个观点，Ojala将“统一”定义为当某个LBP特征的跳变次数最多有两次时，该LBP所对应的二进制就称为统一类。如00000000（0次跳变，001（一次跳变，1001（两次跳变）都是统一类。而除了统一类以外的模式都称之为称为混合模式类，例如1001011（六次跳变。在区分了统一模式和混合模式之后，模式的数量能得到很大程度上的缩减且包含了图像所有的特征，变为P(P1)+2种（其中P为采样点数LBP特征的维数，为之后的识别计算提供了如果以上得到的LBP值直接用于手背静脉识别，其实跟没有LBP算子提取误差，同时也对LBP特征向量做了降维处理。得到的直方图特征，有多种方法可以判别其相似性，由于P特征为向量表示，所以多用两个向量距离的远近来辨别相似度的大小。计算距离的方法有很多，如余弦距（见公式32，假设已知手背静脉直方图为X，待匹配手背静脉直方图为Y SX,Y xi 在这之前，我们先要对二值图像进行细化，细化的同时不但要保证所有线条均为1像素宽，还要保证骨架线条的可连接性，不能出现断裂。本次实验主要采用Hltcs算的1像素宽并进行一些去噪处理后，就能得到需要的骨骼图像。由于手背静脉骨骼图像全是由0、1两种值组成的，所以当使用LBP算法时很长容易产生，所以本文采用另一种编码方式，二值编码，简称BC（BinaryCoding。与LBP不同的是，由于骨骼图像本身只有两种值，用中心点比较会产生，所以直接用邻居点本身的值进行编码（3.6。得到二进制序列转化为十进21，所以就213.6BC由于二值编码的过程中并没有引入中心点进行比较，而是将邻居点的信息赋予了中心点，所以这并不是BP一样的纹理特征提取方式，而是一种形状特征提取方式。本章对当前热门的特征提取技术和匹配技术进行了介绍，重点介绍了本文采取的基于纹理特征提取的局部二值模式以及基于形状特征提取的二值化编码这两种方法，并提出了相关使用方法。手背静脉特征融感器可能产生的冗余和信息，使得得到的目标信息各家完善。特征级融合。该方法是先对用不同的提取方法对同一幅图像提取多种特征，含的信息。由于本LBP和二值编码两种特征提取方式得到的特征向量数据的特性，本文选择得到的信息进行特征提取，然后对提取到的这些特息进行一些加减乘除的融合然后本文所采用的 过LP算法得到手背静脉图像的特征向量，后通过二值编码从手背静脉骨骼图像中提取出其特征向量，将两个向量拼接在一起得到过动的方在 通过验得恰当1然后之后我们按照公式(4.1)进行匹配分数计算得到最终的匹配分数。Si=γ1Sa×(1−γ1)Sb 其中Sa、Sb为 本章通过对进行纹理信息和形状信息融合的意义的分析，以及对常用的四种不同的融合策略（传感器级融合、特征级融合、匹配分数级融合和决策级融合的介绍，分析提出了本文所采用的手背静脉融合策略。然后着重介绍了本文两种策略是如何实现完成其功能的。实验步骤与结果分LBP本节实验利用3.2节中所提到的LBP算法提取手背静脉图像的纹理特息。在实验中，数据库里102个人每人左右手各10张的手背静脉图像按左右手分隔开。1055张用来做测试样本，所以一共是510个训练样本，510个测试样本。按 ROI按照3.2节中LBP算法利用不同的LBP算子提取图像的特征向量计算训练样本和测试样本各自的LBP特征向量之间的卡方距离，选取距离实验结果如表4.1和表4.2所示，通过实验结果我们可以发现在LBP中使用邻域半4.1左手手背静脉利用LBP提取特征向量后的匹配结LBP算4.2右手手背静脉利用LBP提取特征向量后的匹配结LBP算1张，2张，3张，4张，5张静脉图像作为训练样本的情况下，对得到的识别率进行比较（41，从而了解到训练4.1本节实验利用3.3节中所提到的二值编码特征提取手背静脉图像的形状特息。105个作为训练样本，5通过2.3按照3.3节中二值编码方法对所有骨骼图像进行二值编码将每个测试样本得到的二值编码特征向量与训练样本得到的二值编码特征向量进行计算，得到卡方距离，选取距离最近的样本完成匹配。实验中，本文通过对不同分块下的二值编码识别率进行计算，得到了如表4.3的结果，可以看到在分块数为64的时候得到最高识别率95.88%，稍微低于上节实验中得到的LBP识别率。表4.3不同分块下的二值编码识按照上一章中4.2节特征级融合策略，具体实验步骤如下分别采用LBPLBP特将每副图的LBP特征向量和二值编码特征向量连在一起组合成新的特征向4.4给出了融合后的识别率与单独使用两种特征向量的识别率对比，可以看到融4.4LBP按照4.3节所匹配分数级融合策略，具体实验步骤如下提取所有样本的LBP计算测试样本与样本的LBP特征和二值编码特征各自的卡方距离表4.5给出了融合识别和基于SIFT算法的运行时间对比，可以看到融合两种特征4.5随着信息科学技术的日益发展，人们对于的要求也越来越高。一些传统的身份识别方法已经人们日益增长的需求，而手背静脉识别是一种新兴的红外生物识别技术，由于它的安全性、性、识别精度等方面的优异表现在生物识别领域占据了重要的地位。在手背静脉识别领域，有基于形状特征进行匹配的，也有基于纹征进行匹配的，但是很少有基于两者融合的匹配算法。而由于两种特征是从不同角度描述静脉图像第一，采用高斯滤波器、中值滤波器和ROI提取的进行预处理，得到了效第二，在纹理特征提取的实验中，利用局部二值模式来完成实验，并且通过多次实验得到了不同数量的样本会对最终的结果产生影响的结论；而BP的二值编码方法来进行静脉特征的提取。实验表明用这种方法也能得到非常高的识第三，本文提出了两种融合策略，分别为特征级融合策略和匹配分数级融合策BP和二值编码分别提取的是静脉图像的形状特征和纹理特征，而将两者融合起来可以得到更加丰富的图像特息。实验结果也表明在融合之后的识别率有了不错的提升。由于在图像的过程中，用户手势方向有时会有变化，有些原始图像本文仅采用了两种不同的特征提取方法来进行融合，今后可以考虑加入新的本文采用的是分块LBP算法，该算法提取的特征不够完整，不能全面地表达出手背静脉局部特征，因此之后可以对现有LBP算法进行改进，来改善致首先十分感谢指导教师黄迪。黄老师以渊博的理论知识和对技术方向的洞察力，平易近人的性格，使我在这次毕业设计中收获了很多。黄老师对帮助以及对事业锲而不舍的执着追求将会一直影响着我之后的学习生活。感谢黄老师对我从选题到开题答辩、中期答辩以及最后实验的完成和修改等各个方面都给予的悉心指导。感谢答辩组的各位老师，老师、巢文涵老师、老师、吴壮志老师、郭，我。感谢章人可师姐，在算法工具的选择和处理上给了我很多建议。感谢朋友们，对我耐心的帮助和指导，总是能点醒迷惑的我。感谢同一项目组的任泽乾和。在毕设过程中，无私的帮助与关心给与我和一起奋斗的动力，我会非常珍惜和一起努力奋斗的日子。最后要感谢家人对支持和鼓励，特别是父亲和母亲，的鼓励是我努力拼搏的动力，谢谢！参考文[1].多模态生物特征识别融合算法的研究[D].合肥：中国科学技术大学,2008.[2]J.M.Cross.ThermographicImagingoftheSubcutaneousVascularNetworkoftheBackoftheHandforBiometricIdentification[A].SecurityTechnology,Proceedings,InstituteofElectricalandElectronicsEngineers29thAnnualInternationalCarnahanConference[C].IEEE,1995:20–35.[3]韩笑.手背静脉识别算法研究[D].吉林：吉林大学.2007:18-[4]余成波.生物特征识别技术：手指静脉识别技术[M].： [5]Shimizu.OpticalTrans-bodyImaging:Feasibilityof invasionCTandFunctionalImagingofLivingBody[J].MedicinaPhilosophica,1992,11:620-629.[6]MKono,HUeki,SUmemura.Near-infraredFingerVeinPatternsfor Identification[J].AppliedOptics,2002,41(35):7429-7436.[7]SKIm,HSChoi,SWKim.ADirection-BasedVascularPatternExtractionAlgorithmforHandVascularPatternVerification[J].ETRIJournal,2003,25(2):101-