手指静脉识别技术作为一种新型的非接触式生物认证技术,具有可靠性高,验证便捷,识别精度高和活体识别等特点。与传统认证技术不同,它在易用性与可靠性之间达到较好的平衡,但是该技术在图像采集、预处理和特征提取与匹配等方面仍存在一些问题,而本文研究目的就在于研究和解决上述问题。 本文分析了手指静脉识别技术的基本原理,设计了手指静脉图像处理流程,研究了图像采集、静脉图像区域定位、静脉纹路提取、静脉特征提取与匹配等原理与实现, Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基，但在特定参数下可构成紧框架

基于卷积神经网络的SAR图像目标识别研究

Parsing the Hand in Depth Images，IEEE著名论文，手势识别很准

详细介绍BP神经网络的设计方法，用于0_9十个数字图像的识别

图像模式识别技术中的分类程序源代码,完整能运行

3、基于频域模板匹配的图像识别 在频域分析中，我们将空间域的相关运算转化为频域的的共轭相乘，即： 空间域上的相关 频率域上的相乘 如果将f(x,y)视为待识别的图像，g(x,y)视为标准模板则就可以采用频域上的相乘，取代空间域上基于相关运算的模板匹配，可以缩短匹配计算的时间。

C# OpenCV图像矩形识别

提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。

针对合成孔径雷达（SAR）目标识别问题，提出一种结合线性，非线性特征提取和分类器的方法。采用PCA和KPCA分别提取原始SAR图像的特征矢量。在此基础上，分别利用稀疏表示（SRC）和核稀疏表示（KSRC）对两类特征进行分类。通过线性，非线性特征，分类器的结合，可以更好地考察SAR图像的内部数据结构以及测试样本与训练样本的对应关系。实验中，基于MSTAR数据集进行性能测试，结果表明提出方法的有效性。

为了解决 SAR 图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题，提出了一种新 的仿射、形变不变特征-热核特征，并将该特征用于 SAR 图像目标识别。首先采用推广的核模糊 C-均 值方法分割 SAR 图像，提取 SAR 图像目标形状；接着对目标形状进行 Delaunay 三角剖分，采用余切 权重法对 Laplace-Beltrami Operator 离散化，通过离散化 Laplace-Beltrami Operator 特征值、特征向量 求每一点热核特征；然后采用谱距离公式对点点间热核距离计算，转化为距离分布表示目标形状的热 核特征；最后采用 L1 相似性准则对图像进行相似性度量，得到识别结果。实验表明：与经典的 Hu 不 变矩方法相比，对于仿射变换和发生形变的 SAR 图像，该方法都具有更高的识别率。因此，基于热核 特征的 SAR 图像识别方法是一种更加有效的识别方法