掌纹图像处理方法的研究

提出了一种利用图像方向信息提取掌纹特征纹线的方法。该方法将掌纹图像分成若干子块，充分利用子块中图像纹理的方向信息对掌纹图像进行滤波和增强处理；剔除图像中不含纹线的图像子块，对含有特征纹线的子块在其主方向上进行方向增强处理，突出特征纹线信息。对不同采集质量的掌纹图像的处理结果表明文中提出的方法是一种有效的掌纹图像处理方法，它可以应用于不同质量掌纹图像特征纹线的提取。     

基于概率化模板和模糊逻辑的掌纹识别算法

提出一种基于主纹线的掌纹识别算法.该算法根据先验知识用不规则几何形状提取主纹线区域,有效过滤粗大噪声影响.提取的主纹线既保留位置结构信息,又保留纹线的强度信息,使提取的特征信息更完备.并提出概率化主纹线特征的概念,抑制特征纹线上随机点造成的影响.用信息融合的方法来存储模板,把来自同一手掌的多个训练样本提取得到的主纹线特征融合在一个模板内,在保证模板库中特征信息完整性的同时提高匹配的时间效率.匹配算法采用模糊逻辑的方法.实验证明,用该算法进行掌纹识别取得较高的验证精度和辨识精度.     

基于主线特征的双向匹配的掌纹识别新方法

掌纹识别是利用人的手掌掌纹图像对其身份进行认证的一种生物特征识别技术，目前的掌纹研究主要集中在掌纹特征线的提取算法上，而对特征线的筛选和匹配的问题讨论较少，掌纹上的纹线比较复杂，深浅粗细长短不一，实施任何一种边缘提取算法都要考虑纹线的取舍问题，首先介绍了提出的应用最大内切圆对掌纹有效区域进行分割和对准的方法，较好地解决了掌纹的定位问题，然后提出了掌纹特征线族的概念，用以刻画掌纹上的主要特征，从而将掌纹纹线特征分为主要特征和次要特征．通过对主要特征与全部特征的双向匹配，给出最终的识别结果，将该方法与之前提出的基于傅里叶变换的方法在自行研制的掌纹采样设备所采集的掌纹库(90人450幅)上进行了比较实验，实验结果证明新方法可以处理原方法无法定位的掌纹图像，同时识别率也有明显提高。     

一种基于MFRAT和ICP的掌纹主线提取和配准算法

为提高受旋转和平移影响的掌纹图像的识别精度,文中采用一种基于方向最近邻域(DNN)搜索的迭代最近点(ICP)图像配准算法,对掌纹主纹线特征图像进行配准,同时在掌纹主纹线特征图像配准过程中采用粗配准和精配准相融合的配准方式.实验结果表明,该方法具有较高的计算效率和较好的抗旋转平移能力.     

一种用于掌纹识别的线特征表示和匹配方法

作为一种较新的生物特征,掌纹可用来进行人的身份识别.在用于身份识别的诸多特征中,掌纹线,包括主线和皱褶,是最重要的特征之一.本文为掌纹识别提出一种有效的掌纹线特征的表示和匹配方法,该方法定义了一个矢量来表示一个掌纹上的线特征,该矢量称为线特征矢量(1ine feature vector,简称LFV).线特征矢量是用掌纹线上各点的梯度大小和方向来构造的.该矢量不但含有掌纹线的结构信息,而且还含有这些线的强度信息,因而,线特征矢量不但能区分具有不同线结构的掌纹,同时也能区分那些具有相似的线结构但各线强度分布不同的掌纹.在掌纹匹配阶段,用互相关系数来衡量不同线特征矢量的相似性.实验表明,LFV方法无论是在速度、精度,还是在存储量方面都能满足联机生物识别的要求.     

融合水平梯度与局部信息强度的掌纹识别算法

掌纹纹线特征是掌纹最有效的特征.由于在采集掌纹时不可避免地会产生尺度不一致、细微的旋转或平移等问题,使得准确地提取以及描述纹线特征成为掌纹识别的一大难点.针对这一问题,提出了一种融合水平梯度与局部信息强度的掌纹识别算法(Horizontal Gradient-Local Information Intensity,HG-LII).首先,使用不同的均值滤波模板消除细小、不规则、不稳定的掌纹纹线特征,对处理后的图像使用水平梯度算子得到水平方向的梯度图像,并进行二值化;其次使用分块思想计算掌纹纹线的信息强度,并将其作为特征向量;最后采用卡方距离进行匹配,判断掌纹所属类别.在PolyU掌纹库上的实验结果表明,该算法识别率达到99.89％,与传统的提取纹线算法相比,识别率有明显的提高,表明了该算法的有效性.     

基于二阶段小波多分辨率分析的掌纹分割算法

针对复杂掌纹纹线难以分割、有效性低的问题,提出一种基于二阶段小波多分辨率分析的掌纹分割算法.该方法首先利用小波多分辨率分析高频子图的候选子区域,对得到的相似掌纹纹线集合进行合并;接着对合并相似区域的集合和二值化集合求交集得到融合图像;最后利用区域生长法和形态学去噪得到掌纹主要纹理特征.实验结果表明,该方法不仅能有效地剔除复杂掌纹的噪声,而且能准确提取掌纹特征,从而达到准确识别的目的.     

基于矩不变量-2DPCA的掌纹识别算法

在掌纹识别问题的研究中,首先在频域内对图像在主方向上利用2D Gabor滤波器进行滤波,增强特征纹线信息.然后通过小波变换对掌纹图像进行分解,可以降低图像的分辨率并提取低频成份.对二维主成分分析(2DPCA)可以降低计算复杂度,有利于计算掌纹图像的特征.在样本采集过程中难免会有一些由于微小旋转或挤压所引起的噪声所带来的影响,为了对传统的2DPCA算法进行改进,并提高掌纹算法的识别率.同时利用减少上述噪声的影响.将两种方法结合在一起,反复进行掌纹特征的计算,最后使用最近邻法则进行匹配.实验表明,矩不变量配合2DPCA的方法可以提高掌纹图像的识别率.     

基于灰度差统计分析的掌纹线提取

为了快捷而准确地提取掌纹线,提出了一种基于灰度差统计分析的方法。采用了带有修正因子的直方图均衡化方法使掌纹图像灰度分布均匀化,并应用基于邻域平均灰度的计算方法有效抑制伪纹线的干扰。在预先设置长度阈值的情况下,对图像灰度差值图进行统计分析并设置灰度阈值,进而使用具有方向性的8邻域搜索方法,通过判断对象点的灰度值和连续掌纹线点集的点数,提取出掌纹线的二值图像。最后通过计算掌纹图像间的隶属度评价掌纹线的提取效果。实验结果表明,该方法提取出的掌纹线图像清晰,识别正确率较高,达到94.51%以上。     

基于Stein-Weiss函数的彩色掌纹特征识别算法

针对目前掌纹识别算法中对彩色掌纹图像的识别研究不多,提出一种新的基于Stein-Weiss函数解析性质的BP神经网络彩色掌纹图像的识别算法。首先为彩色掌纹图像中的每个像素点构建一个Stein-Weiss函数,再根据Stein-Weiss函数的解析性,计算出相应像素的十六个特征值,将这些特征值输入到BP神经网络的输入层,通过BP神经网络的自学习能力对这些数据进行分类学习;然后通过BP神经网络的泛化能力来获取掌纹边缘线;最后对掌纹边缘线提取成对几何特征建立特征库,通过成对几何直方图相交算法进行掌纹识别。实验结果表明,相对于以往的灰度掌纹图像识别算法,该算法能够更快地提取出更精细的掌纹线,识别率更高,并且对于旋转和噪声的干扰具有较强的鲁棒性。     

基于改进PCA和支持向量机的掌纹识别

掌纹识别是一种新兴的生物特征识别技术。掌纹识别是用掌纹特征(包括人眼可见的和不可见的)来进行身份鉴别的一种方法。其中掌纹特征提取和掌纹特征匹配是掌纹识别研究的关键部分和核心内容。在特征提取方面,给出了两种改进的特征提取方法。先对掌纹图像进行傅里叶变换,再对变换后的图像进行主成分分析;针对掌纹图像的特点,对PCA进行改进,设计了适用于掌纹图像的分块主成分算法。将一整幅掌纹图像分为若干子块图像,在此基础上进行主成分分析。通过实验验证了改进的特征提取方法可以提高识别准确率。在特征识别方面,模版匹配虽然在一定程度上计算量小,准确率高,但容易陷入小样本问题。因此通过训练SVM分类器,进行掌纹识别。实验证明该方法有较好的可行性。     

采样式多通道Gabor滤波对掌纹的特征提取和分类

掌纹识别已被证实为最方便和有效的身份识别方法之一。根据掌纹的性质提出了一种掌纹方向特征提取的新方法,该方法首先利用选取掌纹中最拟合椭圆的方法寻找感兴趣区域,然后利用适应人感官系统的多通道采样式Gabor滤波器进行滤波,并提出用根据掌纹纹理和方向特性动态选取Gabor滤波器参数的方法来设计滤波器。在滤波过程中,从不同分辨率入手,利用不同方向和宽度的滤波器分别对掌纹的主线、褶皱、嵴线进行提取,在极坐标系下用改进的环行方向投影算法计算块能量,并且进行编码。经过模糊C均值聚类方法验证,结果表明,该方法对于掌纹具有很强的识别能力。     

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K-最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。     

一种基于形态小波的在线掌纹的线特征提取方法

在线掌纹中的线特征性能比较稳定，表示方法简单，特征空间小，可实现快速检索与匹配，该文针对在线掌纹图像噪声强，对比度低的特点，提出利用形态中值小波对原努图像进行非线性多分辨率分析，然后取其中的低频分量进行方向选择模板匹配，得到了较理想的实验结果。     

Palmprint based recognition system using phase-difference information

This paper presents an efficient palmprint based human recognition system. Each palmprint is divided into several square overlapping blocks. Reconstruction error using principle component analysis (PCA) is used to classify these blocks into either a good block or a non-palmprint block. Features from each good block of a palmprint are obtained by binarising the phase-difference of vertical and horizontal phase. The Hamming distance is used to compute the matching score between the features of corresponding good blocks of enrolled and live palmprint. These matching scores are fused using weighted sum rule, where weights are based on the average discriminating level of a block relative to other blocks. The performance of the proposed system is analysed on different datasets of hand images and it has been observed that it achieves a Correct Recognition Rate of 100% with a low Equal Error Rate for all the datasets. The system is also evaluated for noisy and bad palmprint images. It is found to be robust as long as the noise density is less than 50% or the bad region is less than 64% of the images.     

一种新的掌纹图像感兴趣区域提取算法

重点研究具有一定自由度在线掌纹图像的感兴趣区域提取算法。首先结合掌纹图像的特点采用全局阈值二值化掌纹图像,然后利用形态学算子平滑掌纹轮廓,提取轮廓线Freeman链码并对链码进行角度变换,最后通过考察轮廓线上各点附近轮廓线的角度变化来提取掌纹图像感兴趣所需要的定位点,从而提取感兴趣区域。感兴趣区域的提取为特征提取和特征匹配打下了基础。最后,在两个公开的掌纹数据库,通过实验证明了这种算法的有效性。     

单幅近红外手掌图像掌静脉和掌纹多特征识别

传统的掌静脉和掌纹图像融合识别一般需分别采集掌静脉和掌纹两类图像,而单幅近红外手掌图像中实际上同时包含了掌静脉和掌纹结构信息。由于二者局部纹理细节差异较大,且像素值分布范围不同,因此,可以先分离再分别增强处理。首先,提出了改进的引导滤波算法以便去除掌纹结构,并设计了反模糊细节增强模型增强掌静脉结构图像;然后,提出了一种改进的分块增强算法,可以在增强掌纹结构图像的同时滤除掌静脉结构信息,再利用基于Sobel算子的反锐化掩模算法以便突出掌纹主线条结构信息;最后,对单幅近红外手掌图像中获取的掌静脉和掌纹图像进行融合识别。在香港理工大学近红外手掌数据库上进行了实验,结果表明：所提出的算法识别率达到了99.63%,与其他已有算法相比等误率平均降低了0.66%,验证了所提出算法的有效性。     

基于LEM的在线掌纹识别

主要研究利用掌纹对人进行身份鉴定。在掌纹的各种特征中，线特征是一种非常重要的特征，但由于掌纹线不规则，几乎不能用数学进行精确的刻画，因此提出了一种用直线段去近似掌纹线的方法，利用线段Hausdorff距离方法去匹配这些线段集，并对其进行了改进。实验的结果表明了该方法的有效性。     

Palmprint Recognition by Applying Wavelet-Based Kernel PCA

This paper presents a wavelet-based kernel Principal Component Analysis (PCA) method by integrating the Daubechies wavelet representation of palm images and the kernel PCA method for palmprint recognition. Kernel PCA is a technique for nonlinear dimension reduction of data with an underlying nonlinear spatial structure. The intensity values of the palmprint image are first normalized by using mean and standard deviation. The palmprint is then transformed into the wavelet domain to decompose palm images and the lowest resolution subband coeffcients are chosen for palm representation. The kernel PCA method is then applied to extract non-linear features from the subband coeffcients. Finally, similarity measurement is accomplished by using weighted Euclidean linear distance-based nearest neighbor classifier. Experimental results on PolyU Palmprint Databases demonstrate that the proposed approach achieves highly competitive performance with respect to the published palmprint recognition approaches.     

Development of Palmprint Verification System Using Biometrics

1 Introduction Reliability in personal authentication is key to the security in any transactional database. Many physiological characteristics of humans i.e., biometrics, are typically time invariant, easy to acquire, and unique for every individual. Biom…