生物特征识别技术作为一 种身份识别的手段 , 具有独特的优势 , 近年来已逐渐成为国际上的研究热点 .本文综述了各种生物特征识别技术的基本原理和一些关键技术 , 对每种生物特征的优势和不足进行了分析 , 并对生物特征识别技术中存在的问题和未来的研究方向进行了讨论 .

基于机器视觉的图像处理与特征识别方法的研究

1.研究背景与意义 疲劳检测在现实生活中具有很大的意义和实用价值，也是一个值得进一步完善研究的课题。 列车员疲劳提醒 疲劳检测 特定岗位防瞌睡 汽车防止疲劳驾驶 防止质检员打盹

之前做学校项目时需要使用opencv，但在官网下载较慢，并且连接很不稳定，所以在网上找到资源后，与大家分享，希望可以帮到大家。

步态matlab代码CNN步态库，用于基于步态的生物特征识别 弗朗西斯科·卡斯特罗（Francisco M. Castro）和曼努埃尔·J·马林·吉梅内斯（Manuel J.Marin-Jimenez） 该库包含支持[1]和[2]的Matlab代码。 如果发现此代码有用，请引用[1]或[2]。 先决条件 MatConvNet库： Tukey的损失函数（用于回归）： 此代码已在带有Matlab 2013b的Ubuntu 14.04和带有Matlab 2016b的Ubuntu 16.04.2上进行了测试。 预训练模型 从这里下载： 样品测试数据 正常情况下，来自TUM-GAID的测试对象分区的一些测试序列： 快速开始 假设您已将CNNGait库放置在文件夹中。 启动Matlab并键入以下命令： cd startup_cnngait cg_demo_test 参考 [1] MJ Marin-Jimenez，F Castro，N Guil，F de la Torre，R Medina-Carnicer 2017年国际影像处理会议（ICIP） [2] FM Cast

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线，并采用傅里叶描述子表达人体轮廓特征；依据人体解剖学的知识定位下肢关节点，并提取下肢角度特征；分别对两种特征进行匹配，然后采用特征融合的方法对匹配结果进行处理。实验结果表明，本算法的性能较基于单个特征的步态识别算法有明显的改善。

移动设备生物特征识别主要由生物特征采集、生物特征存储、生物特征比对三部分组成。其中，关键技术包含生物特征样本采集、质量判断、呈现攻击检测、生物特征提取、特征比对与决策以及多模态融合等。从应用模式来看，典型应用模式分为本地模式和远程模式，可在移动设备上完成所有生物特征识别应用，也可以由移动设备和远端服务器分工协作来完成生物特征识别应用。从产业链来看，移动设备生物特征识别产业涵盖了从基础层采集元件、技术层算法到应用层解决方案的各个层面，其中，采集元件和生物识别算法是该产业尤为关键的组成部分。


通过多生物特征识别融合可以显著地改善系统的识别性能,在多生物特征识别中,匹配分数级融合最常用.现有的匹配分数级融合策略包括基于归一化的融合、基于密度的融合和基于分类器的融合.本文分析了这三种融合策略的优缺点,结合分数归一化和基于密度方法的优点,提出了一种新的基于信任度的融合策略.其中,信任度是以错误拒绝率和错误接受率为基础,既避免了直接求取某个匹配分数的后验概率,又能够刻画匹配分数的分布.将本文方法与几种有代表性的方法进行实验比较,结果表明,这种新融合模式可以有效地改进多生物特征识别系统的性能.

手背静脉识别利用静脉血管分布的网络结构实现个人身份鉴定,是一种新兴的生物特征识别技术。分析了静脉成像原理,设计了静脉图像采集系统,并建立了具有较高质量的手背静脉图像数据库。在身份识别过程中,首先对手背静脉图像进行滤波和灰度归一化等预处理,然后对图像进行二级小波包分解,并利用得到的细节图像提取手背静脉的纹理特征,最后将k近邻分类器和支持向量机相结合实现了个人身份识别。在识别模式下利用建立的手背静脉图像数据库对本系统进行了性能测试,实验结果表明该系统具有较高的识别性能,其正确识别率达99.07%,应用前景十分广阔。

翻译的论文，里面有很多专业词汇，翻译了很久，也有很多不懂。。。