传统的生物特征识别方法直接将用户的生物特征模板存储于数据库中。由于生物特征具有唯一性和稳定性,一旦被窃取,用户的生物特征将终身不可再用。针对此问题提出了一种存储伪生物特征图像的手掌静脉识别算法,该算法不从外部输入密钥,不存储原始掌脉生物特征模板。在注册阶段,于近红外光下采集用户手掌静脉图像,对图像进行加密形成伪图像,将伪图像存储于数据库中;在认证阶段,将数据库中的伪图像解密后提取特征,与认证阶段采集图像提取的特征进行匹配,给出认证结果。在PolyU图库、CASIA图库和自建图库上进行测试,结果表明:在样本数量为300时,该算法在上述3种图库中的等误率分别为0.4135%、0.5576%、0.4744%,识别时间分别为325.0740,316.0800,322.6530 ms。在小范围样本内,所提算法适用于安防、考勤等场合,具有一定的实用价值。

碗形塞主要用于堵塞发动机工艺孔, 其加工精度高, 直径尺寸公差要求在微米数量级。目前对碗形塞的加工误差检测主要还是人工检测方式,人工检测精度低且不能满足现代化生产的在线检测要求, 因此提出利用双目视觉实现碗形塞加工误差在线检测的方法, 将碗形塞放在一个旋转机构上匀速旋转, 利用两台平行方向放置的摄像机采集碗形塞直径端面的多组图像, 通过所提出的端面杂质去除方法校正检测结果, 再通过数据处理获得碗形塞直径和锥度的加工误差。搭建了基于双目视觉的碗形塞加工误差在线检测系统并进行在线测试, 测试结果表明该方法能够满足碗形塞的测量要求并实现在线检测。

睫毛检测是虹膜识别预处理阶段的一个重要环节，本文提出一种基于改进蚁群算法的睫毛提取方法。该方法首先通过引入睫毛区域内、外方向因子使得人工蚂蚁能快速聚集到睫毛边缘，并且通过采取全局和局部两种策略来对信息素进行更新，然后使用 OTSU算法根据所得图像的信息素浓度把图像分割成睫毛边缘和非睫毛边缘两部分。最后，对分割出的睫毛边缘进行整合、除噪，得到最终的睫毛。实验结果表明：该方法提取睫毛的效果较其他相关算法有明显的提高；并且当人工蚂蚁间距取约 25 pixels的时候，算法既能保证睫毛检测的速度又能保证睫毛检测的效果。

考虑Kayser-Fleischer( K-F)环自动检测系统可以用于威尔逊氏病(wilsons disease, WD)的辅助诊断, 本文针对现有的威尔逊氏病检测方法均没有考虑光照及角膜老年环的影响, 通过分析彩色图像中Kayser-Fleischer (K-F)环的分布特征, 设计了K-F环自动检测系统。该系统通过对图像进行预处理获得目标检测候选区域, 通过梯度响应最优算法精确检测K-F环的边界信息。 为了降低光照对算法有效性影响, 建立了光照检测模型来提高检测系统的鲁棒性。最后, 定义宽度特征算子排除正常图像的影响, 定义颜色特征算子排除角膜老年环的影响。实验分析显示, 在采集的2 234幅图像中, 本文提出的K-F环自动检测系统的识别率能够达到98.4%, 而且系统不受角膜老年环的影响。

为了实现生产线上玻璃质量的自动检测,采用机器视觉的方法对生产线上的玻璃进行缺陷检测.采集图像过程中光照方式对图像质量影响很大,为了避免由光照效果不佳对玻璃质量判断造成的干扰,保证视觉检测系统可识别不同种类的裂痕,研究了机器视觉系统中光源系统相对于生产线上玻璃的位置和光强度,解决上述问题造成的影响.分析光源系统对拍摄玻璃图像中缺陷部分和质量合格部分的相关影响,提出了一种可以检测出不同种类裂痕的光源照射方式,使其能够拍摄满足条件的高质量玻璃图像.通过样本批量测试实验证明:该光源照射方式对玻璃质量在线检测的识别准确率均为90%以上,所采集图像质量满足要求,能够准确检测出不合格产品的缺陷位置、面积大小及缺陷深度.

为使掌脉识别系统在识别性能和识别时间上有一个较好的平衡，提出了一种基于灰度曲面匹配的快速手掌静脉识别算法。对手掌静脉图像提取感兴趣区域，将感兴趣区域等分为若干个子区域，计算每个子区域像素灰度平均值作为该子区域灰度值，以各子区域灰度值构建待匹配图像。匹配时对两个待匹配灰度曲面中的像素灰度做差，得到灰度差曲面，求出该灰度差曲面的方差，将此方差作为衡量两个掌脉特征曲面之间距离的依据，并据此判定两幅掌脉图像是否来自同一只手。应用自建掌脉图库进行实验分析，该算法选择子区域大小为8 pixel×8 pixel时的正确识别率达到97.94%，识别时间仅用0.163 ms。实验结果表明，与传统掌脉识别算法相比，该算法在识别性能和识别时间上有一个较好的平衡。

针对掌纹识别时非接触信号采集可能出现的离焦状态会导致掌纹模糊, 从而降低识别系统性能的问题, 提出了一种基于稳定特征的模糊掌纹识别方法。建立了掌纹的离焦退化数学模型; 在分析模糊机理的基础上, 使用拉普拉斯平滑变换提取模糊掌纹的低频系数作为稳定特征, 利用特征向量之间的欧式距离进行匹配和判别。文中给出了算法的步骤, 并通过实验确定了需要选取的低频系数的个数。在建立的SUT-D模糊掌纹库上进行了识别测试, 结果表明本文算法的等误率可达17.101 7%, 与传统的DCT变换及Eigen Palm, Palm Code等8种典型识别方法比较, 等误率最高可降低7.908 4%。这些结果显示本文方法不但能够提升识别效果, 而且特征维数较低, 改善了模糊掌纹识别系统的性能。

目前的手掌静脉识别系统均采取主动光源来获取掌脉图像，光源波长的选择直接影响掌脉图像的清晰度与识别性能。典型的掌脉识别成像波长为760，850，890，940 nm，但没有指出哪种波长识别性能最佳。从两个角度解决此问题，从识别特征提取角度，建立了基于Fisher判别率的掌脉成像清晰度模型，对4种波长拍摄的掌脉清晰度进行比较；从特征匹配角度，以3种典型的生物特征识别算法对4种波长拍摄的掌脉图像进行识别性能比较。在包含4种波长共2400幅掌脉图像的自建图库中进行实验，模型选择和典型算法实验结果都表明，850 nm优于其他3种波长。证明了850 nm拍摄的掌脉图像的识别性能最佳。

特征提取是低对比度掌纹识别的关键步骤。针对掌纹纹理特征明显的特点，本文提出了一种分块 Radon变换的掌纹特征提取方法。该方法先对掌纹感兴趣区域进行一级小波分解去噪降维，接着对低频子图像进行分块以圈定局部主要纹理，最后把所有分块后的子图像进行 70°～140° Radon变换，所获得的线积分组合在一起构成该图像的特征向量。运用 UST掌纹图像库，对本文算法进行了测试。从识别率达到 94%的实验结果看，此方法能够满足对采集图像无过多要求的认证系统的使用。

为了保证非接触式掌纹识别系统所采集的掌纹图像清晰度能够满足识别要求，缩短用户的测试时间，建立了图像清晰度与掌纹错误识别率的关系模型，并实现改进的非接触式在线掌纹识别模拟系统。引入图像清晰度评价函数，建立图像清晰度函数与物距（手与镜头的距离）之间的关系模型；进一步建立图像清晰度与该清晰度下掌纹识别系统错误识别率的关系模型；实现改进的基于清晰度评价模块的非接触式掌纹识别模拟系统。实验结果表明，改进的模拟系统保证了非接触式掌纹识别图像采集的成像质量，降低了错误识别率，具有实用价值。