Adaptive Contrast Enhancement and Optimised Feature Matching for RootSIFT-Based Palm-Vein Recognition

📄 arXiv: 2607.16077 📥 PDF

作者: Kaveen Perera, Fouad Khelifi, Ammar Belatreche

分类: cs.CV

发布日期: 2026-07-20

💡 一句话要点

提出ILACS-BGOT方法以解决掌静脉图像低对比度问题

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 掌静脉识别 对比度增强 生物识别 图像处理 RootSIFT KNN 机器学习

📋 核心要点

  1. 现有掌静脉识别方法面临低对比度图像的挑战，影响识别性能。
  2. 本文提出ILACS-BGOT方法，通过增强局部对比度和减轻伪影来改善图像质量。
  3. 实验结果表明，较大的模板尺寸和优化的参数设置显著提高了识别的准确率和EER。

📝 摘要（中文）

掌静脉识别是一种高度安全的生物识别方式，但由于近红外光散射和传感器限制，掌静脉图像的低对比度仍然是一个重大挑战。为此，本文提出了强度限制自适应对比度拉伸与双向高斯加权重叠块（ILACS-BGOT）的方法，改进了之前的ILACS-LGOT技术。ILACS增强局部对比度，而BGOT则减轻了块状伪影。研究进一步整合了RootSIFT特征与KNN+RT，并引入了均值和中值距离（MMD）滤波器，探讨了MMD和RT的参数变化及其对识别性能的影响。通过在三个基准数据集（CASIA、PolyU和PUT）上进行的综合分析，结果显示较大的模板尺寸提高了性能，而不同的MMD阈值反映了数据集特定的旋转变化。该系统在EER和准确率上显著优于现有方法，且ILACS-BGOT机制的潜在应用超越掌静脉识别，适用于其他生物识别方式及低对比度图像增强。

🔬 方法详解

问题定义：本文旨在解决掌静脉图像中由于低对比度导致的识别性能下降问题。现有方法在处理低对比度图像时，常常受到近红外光散射和传感器限制的影响，导致识别效果不佳。

核心思路：提出ILACS-BGOT方法，通过结合强度限制自适应对比度拉伸和双向高斯加权重叠块技术，增强图像的局部对比度，同时减轻块状伪影，从而提高掌静脉图像的质量和识别率。

技术框架：该方法的整体架构包括图像预处理、特征提取和分类三个主要模块。首先，通过ILACS-BGOT增强图像对比度，然后提取RootSIFT特征，最后使用KNN+RT进行分类。

关键创新：ILACS-BGOT方法的核心创新在于其结合了局部对比度增强和伪影减轻的双重机制，显著提高了掌静脉识别的准确性和鲁棒性。这一方法与传统的对比度增强技术相比，具有更好的适应性和效果。

关键设计：在参数设置上，研究探讨了MMD滤波器的阈值和RT值的组合，共进行了42种组合的实验，结果显示较大的模板尺寸和适当的MMD阈值能够有效提升识别性能。

📊 实验亮点

实验结果显示，ILACS-BGOT方法在EER和准确率上均显著优于现有方法，尤其是在较大模板尺寸下，识别性能得到了显著提升。具体而言，研究表明，优化的参数设置能够有效应对数据集特定的旋转变化，提升整体识别效果。

🎯 应用场景

该研究的潜在应用领域包括生物识别系统、安防监控和身份验证等。通过提升掌静脉识别的准确性和鲁棒性，ILACS-BGOT方法不仅可以提高现有系统的性能，还可能扩展到其他生物识别方式，如指静脉和掌纹识别，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Palm-vein recognition is a highly secure biometric modality due to the uniqueness and subcutaneous nature of vein patterns. However, low contrast in palm-vein images, caused by NIR light scattering and sensor limitations, remains a significant challenge. To address this, we propose the Intensity-Limited Adaptive Contrast Stretching with Bidirectional Gaussian-weighted Overlapping Tiles (ILACS-BGOT) method, an enhancement of the previously developed ILACS with Layered Gaussian-weighted Overlapping Tiles (ILACS-LGOT) technique. ILACS enhances local contrast, while BGOT mitigates blocky artefacts. This study further integrates RootSIFT features with KNN+RT and incorporates the previously introduced Mean and Median Distance (MMD) filter to investigate the parameter variations of both MMD and RT, and their impact on recognition performance. A comprehensive analysis was conducted across three benchmark datasets (CASIA, PolyU, and PUT), using 42 combinations of MMD filter thresholds and RT values. Results were evaluated using EER and Accuracy. Findings reveal that higher template sizes improve performance, while varying MMD thresholds reflect dataset-specific rotational variations. The proposed system demonstrates superior generalisability, achieving significant improvements in both EER and Accuracy over existing methods. Furthermore, the underlying ILACS-BGOT mechanism suggests potential applicability beyond palm vein recognition to other biometric modalities such as finger vein and palmprint recognition, and more generally to low-contrast image enhancement across computer vision applications.