手部静脉识别是一种新兴的身份识别技术。与其他生物特征识别相比，手部静脉识别技术具有高安全性、活体检测性和便利性等特性，也是目前最有效的生物特征识别模式之一。本书主要阐述手部静脉识别技术。首先介绍图像修复与增强的研究意义、国内外静脉图像研究现状，然后论述自制的静脉图像数据采集系统，针对静脉图像采集过程中存在诸多不可避免的因素，造成静脉识别系统对静脉信息表征能力不足的问题，提出基于融合可变形模块的U-Nct网络、基于非局部对抗的生成对抗网络、基于分离与表示的生成对抗网络的静脉图像修复方法，以及基于Actor-Critic、多尺度特征融合、特征解耦学习的低曝光静脉图像增强方法。
本书可供从事图像处理、模式识别（尤其是生物特征识别方向）研究的专业技术人员以及信息处理、计算机科学等专业的研究生参考。

前言
第1章 绪论
1.1 静脉图像修复与增强概述
1.2 静脉图像修复研究现状
1.2.1 传统的图像修复方法
1.2.2 基于深度学习的图像修复
1.2.3 静脉血管图像修复
1.3 静脉图像增强研究现状
1.3.1 低曝光图像增强研究现状
1.3.2 静脉图像增强方法研究现状
1.4 本书研究内容
1.4.1 主要研究工作
1.4.2 本书的章节安排
第2章 静脉图像数据集
2.1 静脉图像成像系统
2.1.1 成像光源系统
2.1.2 图像采集系统
2.2 静脉图像数据集类型
2.2.1 自制静脉图像数据集
2.2.2 公开静脉纹图像数据集
2.2.3 低曝光手背静脉图像数据集
2.3 静脉图像预处理
2.4 本章小结
第3章 基于融合可变形模块的U-Net网络的静脉图像修复
3.1 基于卷积神经网络的图像修复
3.1.1 图像风格转换损失与图像修复关系
3.1.2 U-Net网络
3.2 基于融合可变形模块的U-Net桃型
3.2.1 可变形卷积网络模块
3.2.2 生成网络
3.3 修复网络训练损失
3.3.1 感知损失与风格损失
3.3.2 对抗损失
3.4 识别实验与结果分析
3.5 本章小结
第4章 基于非局部对抗的生成对抗网络的静脉图像修复
4.1 生成对抗网络技术
4.1.1 生成对抗网络模型与框架
4.1.2 生成对抗网络的应用
4.2 基于非局部对抗的生成对抗网络模型
4.2.1 生成网络模型
4.2.2 空洞卷积
4.2.3 非局部网络模块
4.3 修复网络训练损失
4.3.1 对抗损失
4.3.2 感知损失
4.3.3 训练总损失
4.4 识别实验与结果分析
4.5 本章小结
第5章 基于分离与表示的生成对抗网络的静脉图像修复
5.1 图像到图像的转换
5.1.1 成对图像数据间的转换
5.1.2 非成对图像数据间的转换
5.2 分离与表示的学习
5.2.1 分离与表示研究现状
5.2.2 分离与表示应用
5.2.3 点与线的分离
5.3 修复网络训练损失
5.3.1 对抗损失
5.3.2 循环一致性损失
5.3.3 感知损失
5.4 识别实验与结果分析
5.5 本章小结
第6章 基于Actor-Critic的低曝光静脉图像增强
6.1 Actor-Critic框梨
6.2 基于Actor-Critic的静脉图像增强网络
6.2.1 可微图像滤波器
6.2.2 静脉图像增强的Actor-Critic网络框架
6.2.3 静脉图像细节增强模块
6.3 识别实验与结果分析
6.3.1 模型训练过程
6.3.2 多个滤波函数实验
6.3.3 细节增强对比实验
6.3.4 ACN算法与其他模型的对比实验
6.3.5 静脉图像识别率对比实验
6.4 本章小结
第7章 基于多尺度特征融合的低曝光静脉图像增强
7.1 多尺度特征融合和通道注意力机制
7.1.1 多尺度特征融合
7.1.2 通道注意力机制
7.2 残差单元介绍
7.3 静脉图像多尺度特征融合模型构建
7.3.1 静脉多尺度融合残差块设计
7.3.2 多尺度融合模型的损失函数
7.4 识别实验与结果分析
7.4.1 模型训练过程
7.4.2 静脉多尺度融合残差块数量实验
7.4.3 注意力机制SE模块对比实验
7.4.4 与其他模型的对比实验
7.4.5 静脉图像识别率对比实验
7.5 本章小结
第8章 基于特征解耦学习的低曝光静脉图像增强
8.1 自编码网络与特征解耦学习
8.1.1 自编码网络
8.1.2 特征解耦学习
8.2 基于特征解耦学习的静脉图像增强网络
8.2.1 静脉图像背景与纹理特征解耦网络
8.2.2 静脉图像增强网络
8.3 识别实验与结果分析
8.3.1 实验数据集和模型训练过程
8.3.2 纹理特征重建图像对比实验
8.3.3 与其他模型的对比实验
8.3.4 静脉图像识别率对比实验
8.4 本章小结
参考文献
后记