基于小波神经网络的掌纹识别方法的研究

为提高掌纹图像识别率,首先利用手掌的几何轮廓对所采集到的掌纹图像进行预处理,进行分割得到感兴趣的区域.再利用小波变换对掌纹图像分别进行多层分解,进而提取小波特征.最后利用BP神经网络进行分类.通过仿真实验表明,与单一的神经网络方法进行掌纹识别相比,这种将小波分析与神经网络相结合的方法收敛步数少、用时短、具有较高的识别率.     

基于不变矩的掌纹识别方法

特征提取是掌纹识别研究中最基本的问题之一,对于掌纹图像识别而言,提取有效的分类特征是完成掌纹识别任务的一个关键问题。掌纹特征提取的本质就是把原始的高维掌纹图像样本数据投影到一个更有利于掌纹分类的低维特征子空间中。利用不变矩,对掌纹图像进行特征提取,采用最近邻分类器进行掌纹识别,在公共掌纹数据库上的实验结果表明,该方法是可行的。     

基于局部保持投影和核直接判别分析的掌纹识别

为了提高识别性能,提出运用局部保持投影(LPP)和核直接判别分析(KDDA)相结合的方法进行掌纹识别.在小样本图像识别中,为了解决特征方程矩阵的奇异性,首先运用图像下抽样降低掌纹空间的维数,然后应用LPP提取掌纹局部结构特征作为KDDA的输入提取分类特征,计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库,...     

生物特征识别技术中的掌纹识别系统简介

掌纹识别作为生物特征识别技术中的一种新兴技术,目前正处于各种新方法的尝试阶段。掌纹识别系统的研究也处在不断的开发和被完善中。本文分别从掌纹的获取过程和掌纹图像的三种算法进行简单的研究,使读者对掌纹识别系统能有更加进一步的了解。     

基于VGG16和迁移学习的高分辨率掌纹图像识别

由于高分辨率掌纹图像尺寸大、掌纹图像数量少等特点,目前主流的方法采用细节特征点匹配,其算法设计复杂,识别精度不高.针对以上问题,本文提出基于迁移学习的高分辨率掌纹图像识别方法,该方法以VGG16为基础网络,将在ima-genet数据集上训练好的权重参数,用于初始化所有的卷积层;使用图像增强技术将高分辨率掌纹图像分别4、9、16、25等分,采用投票的方法得到整个掌纹图像的准确率,最高可达到99.69％.经实验证明,该方法可以实现端到端的高精度高分辨掌纹图像识别,识别率优于以往的基于细节特征点匹配方法.     

基于曲面类型与深度学习融合的三维掌纹识别技术

传统的2维掌纹识别在图像采集时容易受到干湿度、残影和压力等影响,使得其鲁棒性和准确性降低。为解决这些问题,3维掌纹识别技术应运而生。现有的3维掌纹身份认证技术需要将掌纹的特征提取与匹配识别分开进行,不仅延缓了识别时间,更增加了不同方法优化组合的难度。该文提出一种基于曲面类型(ST)与深度学习融合的3维掌纹识别方法。该方法利用ST图像表示3维掌纹特征,并将其作为卷积神经网络(CNN)的输入,实现网络的训练。测试图像可自行提取掌纹图像特征信息并在网络中直接完成识别。实验结果表明,该文方法在公开数据集上得到了99.43%的准确率和28 ms的识别时间,与传统3维掌纹识别方法相比均有提高,实现了3维掌纹的快速高精度识别。     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

核Fisher鉴别分析在掌纹识别中的应用

核Fisher的鉴别方法(KFDA)是模式识别中较为突出的提取图像非线性特征的方法。为了更好的提取掌纹图像的非线性特征,将KFDA方法引入到掌纹识别中。首先对掌纹图像做小波变换进行降维,在保留原始图像轮廓信息和特征的基础上,然后进行核Fisher判决方法进行特征提取并引入零空间的核Fisher(ZKFDA)方法解决小样本问题,最后用最小距离分类器进行掌纹匹配。通过PolyU掌纹图像库,实验结果表明,在不同的特征个数下,KFDA方法比二维Fisher准则(2DFLD)方法识别率高;零空间ZKFDA的平均识别率高于KFDA,并且计算量大大减少。在核函数选取上,取RBF核函数的识别性能最佳。     

基于灰度曲面匹配的掌纹识别方法

针对掌纹纹理特点,提出一种基于灰度曲面匹配的掌纹识别方法。将掌纹灰度图像看作是三维空间下的灰度曲面,并将该曲面作为特征进行匹配,由于将整个图像作为特征,有难以被伪造的特点,抛弃了特征提取和编码等传统操作,提高了掌纹识别系统的安全性和识别速度。对100个手掌类的1 000幅掌纹图像数据库,进行了匹配实验。用Haar小波降低分辨率到3级的情况下,其正确识别率仍然能够达到98.45%。识别时间为23.5 ms。理论分析与实验结果表明,该方法识别准确率高,识别速度快。     

基于混合Gabor滤波器与加权中心对称LBP的掌纹识别

掌纹识别是一种比较新颖的生物特征识别技术,提 取最佳分类特征一直是掌纹识别研究领域的一个重要方向。掌纹图像纹理特征丰富,但传统 方法难以准确将其表征。针对此问题,将固定尺度及自适应多尺度Gabor滤波器结合起来, 提出基于混合Gabor滤波器与加权中心对称局部二值模式(weighted center symmetric loca l binary pattern,WCS-LBP)的掌纹识别方法。首先,利用混合Gabor滤波器对掌纹感兴趣 区域进行滤波得到特征图像,并将其串联在掌纹特征空间;然后,使用WCS-LBP提取该空间 掌纹特征形成特征向量;最后,通过匹配WCS-LBP直方图序列的相似度来实现分类。在Poly U图库、同济大学图库、IIT-D图库和自建非接触图库中进行实验。结果显示,该算法获得 的识别率最高分别可达99.768%、99. 510%、99.091%和98.501%,最低等误率分别为 0.794%、1.235%、1.672%和2.339%,且识别时间都在1s以内,相比其他传统和流行算法具有优势 ,显示出方法良好的效果。     

基于log-Gabor与FT数据融合的掌纹识别算法

本文提出一种基于数据融合的掌纹识别算法。该算法首先利用log-Gabor小波提取掌纹纹理特征,同时用傅立叶变换(Fourier Transform,FT)提取掌纹频域统计特征,然后分别与库中模板进行匹配,最后对两种匹配结果进行数据融合,得到最终识别结果。该算法中的基于手掌中基准点的手掌定位方法,使得定位中的方向校正更为准确。实验结果达到较高的识别率,验证了该算法的有效性。     

基于离散曲波变换和支持向量机的掌纹识别方法

提出了一种基于离散曲波变换和支持向量机的掌纹识别方法.首先将所有掌纹样本图像和测试图像通过基于Wrapping的快速离散曲波变换进行分解,从而获得不同尺度、不同角度的曲波变换系数;掌纹重要特征信息包含在曲波变换分解系数中的低频系数中,因此将分解系数变换形成特征向量后作为特征参数送入支持向量机中进行学习训练;最后将训练好的支持向量机用于掌纹分类.基于香港理工大学Palmprint掌纹数据库进行了大量实验,实验结果证实所提方法的识别正确率相对优于小波变换方法和其它几种经典方法.     

一种掌纹采集与识别系统

由于掌纹数据易于采集、分类特征明显且稳定等特点,以及掌纹自动识别系统具有直接、友好、方便、良好的唯一性和应用范围广等优点,因此掌纹识别是一种很有发展潜力的身份识别方法。掌纹识别系统的微型化已经成为一种趋势。介绍了一种掌纹识别系统框图和一种基于Cy7c68013和AES2510掌纹传感器的掌纹采集系统,简单介绍了该系统的软硬件设计。     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

大鱼际掌纹图像特征提取方法研究

为了更客观更准确的判断出患者的大鱼际掌纹的级数,可以采用图像处理技术对大鱼际掌纹进行预处理、特征提取和分类,以实现大鱼际掌纹的量化与客观识别.文中提出一种基于改进的二维主成分分析技术（2DPCA）再结合Gabor滤波的特征提取方法.以定位分割并经增强处理的大鱼际掌纹图像为基础,获得图像的特征矩阵,作为下一步量化分级的特征输入量.仿真实验结果表明该方法是适用有效的.     

神经网络的图像识别技术及方法分析

神经网络图像识别技术属于图像识别中一种新型技术,主要是基于传统图像识别方式及基础,同时结合了神经网络算法的图像识别方式.神经网络图像识别首先是提取图像特征,再将所提取的图像特征发送于神经网上,用识别器对其进行深层识别.或是BP神经网络图像识别方式无须进行图像提取,是将图像数据直接用作神经网络识别器输入.本文详细分析了神经网络图像识别技术及其方法分析,并提出实用性应用策略.     

随机选取ROI法在掌纹识别中的应用

从旋转后的掌纹图像中选取一块感兴趣区域进行识别是当前掌纹识别中常用的方法,但此方法会丢掉部分有用信息。针对此问题,在对掌纹图像建立坐标系的基础上随机选取多个感兴趣区域,用这些感兴趣区域来代表某幅掌纹图像,分别在这些感兴趣区域上用小波能量的掌纹识别算法进行识别。实验结果表明,使用此方法在掌纹识别的识别率上有较大改进。     

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。     

三维掌纹局部方向特征二进制编码研究

三维掌纹能显著地减少应用过程中潜在的安全隐患,近年来吸引了越来越多的关注.然而,现有的三维掌纹识别方法大多借助人工设计的描述符来进行匹配,这往往需要先验知识.本文提出一种基于学习策略的局部方向特征二进制编码来完成三维掌纹识别.该方法利用形状指数来描述三维掌纹的局部几何特征,并且在形状指数图像上计算Gabor滤波器响应并将响应差值组合起来形成特征向量.提出利用哈希学习模型得到特征映射函数并将响应差值特征向量转换为方向特征二进制编码,并对方向特征二进制编码图采用分块策略形成特征直方图来进行匹配.在香港理工三维掌纹数据库上的实验结果表明,本文方法在识别率上要优于目前流行的其他三维掌纹识别方法,从而验证了本文方法的有效性.     

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数（IMF）分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.