第 1 章 绪论
生物识别技术的发展历史可以追溯到公元前 7000 年到公元前 6000 年以前，在古代中，古埃及人通过测量人的尺寸来鉴别每个个体，而古叙利亚和古中国开始使用指纹作为鉴别个体身份的特征，并且在中国古代的一些文件上都印有起草者的大拇指指纹[4]。1823年，Purkinje提出了最早的指纹分类方案。1899年，Henry 建立了著名的指纹分类规则“Henry 体系”，该体系极大地提高了完成指纹身份验证的效率，使指纹识别技术有了更为科学的鉴别标准[5]。而到了20世纪60年代，随着计算机科学技术的发展，计算机已经能够进行图形的处理，因此人们开始探索利用计算机技术处理指纹，从此自动指纹识别系统在许多国家展开[6]。而我国早在20世纪80年代初也开始了对指纹识别技术的研究，90年代又开始了对其它生物特征识别技术的研究，也在部分领域取得了领先的研究成果。在“9.11”事件之后，由于反恐、国土安全、社会安全的需要，各个国家都加大了对安防领域的投入。而作为安防的一个核心问题，身份识别问题的产业增速明显，规模也日益扩大，从而进入了快速发展时期。根据国际生物特征识别组织（International Biometric Group，简称 IBG）的最新的统计报告显示，国际生物特征识别市场销售额在 2011 年超过了 50亿美元，预计到 2015年将超过 100亿美元[7]。同时，随着多种生物特征识别技术的发展，技术呈现出一种以指纹识别为主，多种识别技术快速发展的多元化局面，这将带来产品的多元化，并有利于市场的多元化和稳定性发展[8]。
...........
第2 章 非理想条件下手形图像的预处理及轮廓提取
2.1 非理想条件手形图像的采集方式及成像干扰问题
所谓的理想条件是指将手掌用固定栓或平面进行固定以获得方向或位置的先验信息，同时使用单一的背景并在屏蔽外界光照的干扰的情况下获取手形图像。与此相对的非理想条件的手形识别是为了手形识别技术实用化发展需求而提出的，是基于非接触的采集方式进行的，该方式能够简化装置，增强用户的可接受性，是目前的研究热点。图 2.1 为非理想条件手形识别采集装置示意图，而由该图中所示，手形图像采集时要求在室内环境下，将定焦照相机或摄像头摆放在固定位置，并告知被采集者将手掌放置在摄像头前固定距离处但不加固定限制，要求手掌五指自然张开、自由摆放，且不与采集设备发生接触，不屏蔽外界光照和背景，此外，为削弱背景光照的影响选用最能反映手掌本身颜色的白光作为主动光源照射手掌。因此本文主要针对的成像干扰问题如下.
2.2 非理想条件下手形图像中的预处理
由采集装置采集得到的手形图像为 RGB 图像，而由于采集到的 RGB 值不能直观地反应人类观察颜色的结果，即空间中 RGB颜色空间中的三个颜色分量都包含亮度信息，并且互相之间存在相关性[96]，因此在用于肤色区域分割的时候算法对亮度的适应性不好。为了去除分量中上述相关性，需要将RGB 颜色空间表示的图像转化为亮度和色度分离的颜色空间。最常用于的肤色区域检测与分割的 YCbCr空间就具有亮度和色度相互独立的特点，并且空间中肤色的聚类性较好。在该彩色空间中，Y 分量是表示像素的亮度，Cr和Cb 分量称为色度，Cr分量表示红色分量，Cb分量表示蓝色分量。将图像转换到YCbCr空间具有以下优点[97].
第3 章 基于非接触采集的手指部分手形特征点定位....................35
3.1 手形特征的定义与选择........................................35
3.2 非接触条件下手指特征点定位.......................36
3.3 误差分析基本理论与评价方法.......................41
3.4 实验过程及结果分析....................43
第4 章 基于非接触采集的手掌部分手形特征点定位.............47
4.1 手腕点的定位..............47
4.2 手掌两侧点的定位........................51
4.3 特征分类能力分析.........................56
4.4 实验过程及结果分析......................................56
第5章 非接触采集的变形手形特征稳定性分析...59
5.1 非接触采集时缩放倾斜变形现象成像分析..............59
5.2 手形相对特征定义方法...............................................64
5.3 手形相对特征识别性能分析方法..................65
第 6 章 基于分类区分度与相关性的手形特征选择及识别性能分析
6.1 特征选择方法描述
在选择用于识别的特征组合时，要求对不同类具有显著差别的重要特征在特征总和中占有尽可能大的比例。因此为了避免冗余特征干扰识别性能，要求选择的特征有较高的分类能力，即区分度较高，同时与其它已选特征的相关性尽可能低。根据以上原则，文中的手形优化特征子集的选择过程如图6.1所示。由图6.1可知特征选择的过程，首先选用信息增益为参数评价特征的分类区分度，过滤掉分类能力差的特征，然后选用相关系数反映特征之间的相关性，找出可能存在冗余的特征，最后综合分析分类区分度和相关性消除冗余特征，以确定优化特征子集。
6.2 搜索性验证算法
为了验证以上算法的有效性，选择搜索性特征选择的方法进行实验。特征选择的过程如图 6.2，首先是从特征空间中按照一定的搜索方法选择产生一个特征子集，然后使用一种适合的评价函数对该特征子集进行评价，给出停止准则，若评价的结果优于停止准则就停止搜索，否则就继续产生下一组特征子集，继续进行评价。通常最终还要验证所选特征子集的有效性。
..........
第 7 章 结论
针对非接触采集方式获得手形图像进行手形特征的识别，是目前手形特征识别的热点问题。与接触式采集方式相比，非接触式采集方式有效避免了病菌的传播，因此提高了用户的可接受性。但由于手掌摆放方式的不确定性，使得成像后减少了方向、距离等信息的先验知识，因此产生了一些给识别带来困难并降低识别性能的非理想现象。本文在不屏蔽外界光照和简单背景干扰的情况下，对通过非接触采集方式获得的非理想条件手形图像进行识别，得到了以下几方面结论：
（1）将不受手指方向干扰的曲率法应用在非接触手形轮廓图像中定位手指长度点，同时提出一种可减少突变干扰的平均宽度法提取并计算手指部分的宽度值。通过对归一化后各手指特征值稳定性和准确性的评价以及算法的对比，结果表明，本文方法得到的手指特征相对标准差均在1%~2%之间，而与直线拟合法的识别率相比，手指长度提高了 3.4%，与中点法的识别率相比，手指宽度提高了1.5%。因此验证该手指部分特征点定位方法在本文中定义的非理想图像中具有较好的鲁棒性，能够提高手指部分各特征的定位精度。
...........
参考文献（略）