掌纹轮廓特征点提取新方法

基于Harris角点检测方法的基本原理,提出了一种轮廓特征点提取的新方法。为了满足提取掌纹轮廓特征点的要求,根据掌纹中所要提取的轮廓特征点所在区域的生理特征(凸凹形区域),对Harris角点检测方法进行了改进,对算法进行了推导和讨论,并进行了实验研究。实验结果表明,用该方法提取的掌纹轮廓特征点能够方便地对掌纹进行定位,为实现掌纹自动识别算法打下了基础。     

一种基于八邻域链码的掌纹图像定位方法

准确地检测出手掌轮廓线的角点是对在线掌纹图像进行精确定位的关键.目前已有的角点检测算法不能自动地提取出定位有用的角点.通过分析手掌轮廓线的8-邻域链码在角点附近的变化规律,提出了一种快速而有效的掌纹图像的轮廓特征点检测方法.首先,采用LOG边缘算子检测出二值掌纹的图像的边缘并用轮廓跟踪方法获得掌轮廓线的8-邻域链码;其次,根据手掌轮廓的8-邻域链在特征点附近的变化规律精确地检测出手掌轮廓特征点;最后,根据检测出的特征点建立参考坐标系,对掌纹图像进行定位.实验结果表明该方法是快速而有效的.     

基于在线掌纹的身份验证系统的研究与设计

采用基于掌纹图像灰度特性的方法提取出掌纹的主线特征,以极坐标的形式定义在线掌纹的特征空间并降维处理,最后用神经网络作为匹配算法完成在线掌纹身份验证系统的设计,以此为基础建立了快速、可靠的新型身份认证系统。     

基于形态学的掌纹图像定位方法

针对现有掌纹定位分割算法的局限性,提出了基于形态学的定位分割算法,对掌纹图像采用中值滤波器去噪后,采用阈值分割法分割背景区和目标区,将得到的二值图像进行形态学闭运算后与原始二值图像相减得到掌纹的角点,根据角点的位置定位并建立坐标系,得到了掌纹的感兴趣区域。实验结果表明,此方法能够快速准确的定位分割掌纹图像。     

余弦相似度保持的掌纹识别算法

掌纹识别作为一种新兴的生物特征识别技术,具有识别率高、特征稳定等优点。传统的基于手工提取特征的掌纹识别算法使用先验知识提取掌纹主线和细节点,存在可扩展性低、提取图像特征困难、无法挖掘数据的隐藏信息等问题。为了解决这些问题,本文提出了一种基于学习的掌纹识别算法。首先提取掌纹图像的像素值差向量(Pixel Different Vector,PDV)特征。然后,通过余弦相似度保持模型,同时学习PDV特征的二进制表示及其映射函数,以减少PDV特征的信息冗余。最后,为了处理掌纹位置偏移和光照变化等噪音,将学习得到的二进制特征编码成直方图描述子。在3个广泛使用的掌纹数据库上的实验结果表明,所提出的算法能更好地挖掘掌纹图像的内在特征,有效地提高掌纹识别精度。     

基于非接触采集下的鲁棒掌纹识别

为了扩大掌纹识别的应用范围,使非接触式掌纹识别系统在复杂背景和光照变化的条件下都能使用,提出了一种适用于非接触采集下的鲁棒掌纹识别算法.该算法使用肤色阈值的方法把手掌从复杂的背景中分割出来,采用一种新颖的指根点检测算法找到指根点,用指根点来定位掌纹ROI,使用对光照具有良好鲁棒性的LBP算法提取掌纹特征,并用Chi平方统计法进行分类.实验使用的数据库是在不同光照和复杂背景下采集的,当等错率为3.098 6%时,正确识别率达到97.833 7%.实验结果表明,该方法能够扩大掌纹识别的应用范围,使非接触掌纹识别系统在复杂背景和可变光照的条件下达到较理想的识别效果.     

基于移动摄像头的掌纹识别研究

搭建了基于移动摄像头的在线掌纹识别系统,该系统利用提出的自适应掌纹感兴趣区域(Region Of Interest,ROI)提取算法提取掌纹ROI图像,同时采用有限Radon变换(Modified Finite Radon Transform,MFRAT)算法提取掌纹ROI图像的主纹线特征图像,并采用一种基于方向最近邻域(Direction and Nearest Neighbor,DNN)搜索的迭代最近(Iterative Closest Points,ICP)算法对掌纹特征图像进行配准,该配准方法分为粗配准与精配准两个过程。实验表明,该系统能有效克服背景、光照和掌纹ROI图像的旋转平移对掌纹识别精度的影响,同时也具有较高的识别效率。     

基于模板匹配的掌纹识别自适应阈值选取方法

结合在线掌纹的特点,对模板匹配算法进行了改进.首先为了去除噪声,在匹配之前对掌纹图像做小波滤波处理;然后对匹配之后的数值矩阵采用各向异性的自适应阈值处理方法,以克服光照不均匀及光的方向性等问题,有效提取掌纹线特征;最后应用本算法对不同掌纹图像进行识别,验证了方法的有效性.     

基于模板匹配的掌纹识别自适应阈值选取方法

结合在线掌纹的特点，对模板匹配算法进行了改进．首先为了去除噪声，在匹配之前对掌纹图像做小波滤波处理；然后对匹配之后的数值矩阵采用各向异性的自适应阈值处理方法，以克服光照不均匀及光的方向性等问题，有效提取掌纹线特征；最后应用本算法对不同掌纹图像进行识别，验证了方法的有效性。     

鲁棒的掌纹图像特征提取方法

提出了一种基于低分辨率彩色图像的鲁棒的掌纹图像特征提取方法.采用均值平移算法对彩色图像帧中像素进行聚类,应用Ostu二值化方法分割出手掌,并提取出有效掌纹区域.采用KLT角点检测算法提取出有效掌纹区域内的特征点,给每个特征点赋予方向,并根据局部区域特征构造方向不变的特征向量,所有特征点及其特征向量的集合构成了掌纹图像特征.在识别时只须在两个特征点集之间查找匹配对应,并通过随机采样一致性检验最大一致集中内点个数是否大于自适应域值来确定两个手掌是否匹配.利用该算法对网络摄像头采集的手掌样本进行了实验测试,获得了较高的识别精度与性能.该算法对手掌的距离、方向、姿势没有特殊要求,是一种鲁棒高效的掌纹图像特征提取方法.     

掌纹图像预处理算法的研究

重点研究实现掌纹方位无关性匹配的掌纹图像预处理算法．由掌纹采集设备获取掌纹图像作为输入数据．首先，对掌纹图像应用中值滤波器去除系统噪声，并应用阈值分割法分割背景区和目标区．然后，利用内部边界跟踪算法找到手掌边界，计算边界像素与手掌的底端中部Pm之间的欧氏距离．根据欧式距离曲线图中的两个局部最小值，自动确定两个指根部位置．最后，基于第1和第3个指根部建立参照坐标系，自动定位掌纹感兴趣（ROI）区域，对两个公用的掌纹图像库进行实验，实验结果验证了该方法的有效性.     

掌纹识别中的特征提取算法综述

特征的选择左右着识别的结果,因此特征提取在模式识别中一直占据着重要的地位,如何有效地在高维特征空间中选取一定特征进行分类和匹配是掌纹识别的关键.本文结合近年来发表的文献,按照描述特征的方式进行分类,总结了掌纹识别中的特征提取方法,并对每种方法中的主要算法进行了分析,最后对各种方法的性能进行了比较和展望.     

基于两层策略的掌纹识别新方法

提出了一种基于两层策略的掌纹识别方法。首先提出了新的定位分割方法,提取出手掌最大中心区域以及粗匹配阶段的匹配特征。然后为精确匹配提出一种有效的掌纹线特征的提取和表示方法。设计由粗到细的掌纹识别分类器,应用粗匹配算法得到符合要求的掌纹数据子集,再利用主线特征进行精确匹配。针对250幅图片做实验,精确度高达94.67%,证明了本文算法具有良好的鲁棒性和有效性。     

基于Gabor变换和不变矩的掌纹识别研究

提出了一种将二维Gabor变换和不变矩特征相结合对掌纹图像进行特征提取,并采用多层前向反馈神经网络进行掌纹图像训练识别的方法。该方法首先对掌纹图像进行预处理,获得掌纹感兴趣区域(ROI),然后构造一组Ga-bor滤波器从而得到ROI的特征向量,结合掌纹图像的不变矩特征共同作为神经网络的输入进行训练识别。实验表明该方法的有效性。