静脉识别的结果与分析

支持向量机 ( SVM)是数据挖掘中的一个新方法 ,能非常成功地处理模式识别 (分类问题、 判别分析 )和
回归问题 (时间序列分析 )等诸多问题 ,并可推广到预测和综合评价等领域.将两分类向量机通过一定方式
组合起来可形成多分类支持向量机 ,实现多分类的功能.常见的组合方式有一对一方式和一对多方式.
本文采用台湾大学林智仁 (Chih2 Jen Lin)等开发设计的 L I BSVM软件包进行实验[ 7 ]
,利用 L I BSVM提供
的开放源码 ,通过修改、 参数调整 ,选用 C2 SVC模型、 径向基函数、 一对一方式对静脉图像进行识别.将式 (4)
所提取的静脉骨架矩特征向量 M 作为支持向量机分类器的输入向量进行分类识别.
识别实验在 Mohamed Shahin博士提供的手背静脉图像数据库[ 8 ]
上进行 ,库中共有 100个手背的静脉
图 ,每个手背有 5幅样本图像 ,共 500幅图像 ,原始图为 320 × 240的 256色灰度图.静脉识别实验从每个手
背的 5幅图像中任选 3幅用作训练 ,剩余 2幅用作识别测试 ,实验结果获得了 191 /200 = 95 . 5%的识别率.
在实验中发现 ,如果在选取样本时 ,剔除那些受噪声影响严重、 分割出的静脉图严重变形的 12个样本,
那么识别率可以达到 175 /178 = 98 . 3%.由此可见 ,原始静脉图的质量以及静脉纹路的分割、 骨架的细化效 果对识别率影响比较大.因此 ,改善图像的采集质量以及提高静脉纹路分割、骨架细化的算法效果是提高识。