基于特征融合的掌纹识别算法应用研究

研究掌纹准确识别问题,由于光照强度、位置移动、采集设备等影响,采集掌纹图像的分辨率较低。单一掌纹特征提取方法难以全面描述掌纹信息,导致掌纹识别率低。为了提高了掌纹识别率,提出一种基于Gabor滤波和LBP算法相融合的掌纹识别方法。首先对采集掌纹进行预处理,然后分别采用Gabor滤波和LBP算法进行特征提取,最后采用神经网络建立掌纹识别器。仿真结果表明,相对于单一特征提取算法,融合特征算法不仅提高了掌纹识别率,同时加快掌纹识别速度,能够很好满足实时掌纹识别系统的要求。     

基于信息熵的GLBP掌纹识别算法

提出了一种基于信息熵(information entropy)的GLBP掌纹识别算法(EGLBP),首次将该算法运用到掌纹中。同时,为了提高识别精度、降低算法复杂度,引入信息熵来度量掌纹所含的信息量,熵越大,所含信息量越多。首先对图像进行Gabor变换,分别计算变换后图像的信息熵,去除熵较小的几幅图像;然后对剩余的图像使用分块思想,对每块进行LBP特征提取,并联融合所有特征;最后使用卡方距离对掌纹所属类别进行判定。经过PolyU掌纹中心区域图像的验证,与传统掌纹识别算法相比,EGLBP算法识别率达到99.89%,识别时间为113.9ms,具有有效性和优越性。     

基于Nonsubsampled Contourlet变换的掌纹特征提取算法

为了研究Nonsubsampled Contourlet变换(NSCT)在掌纹识别应用方面的可行性和性能,本文采用MATLAB仿真手段,利用NSCT对纹理特有的各向异性和多尺度特点,以香港理工大学采集的掌纹图像为研究样本,建立掌纹识别的分析和研究平台,针对NSCT从掌纹图像中分解得到的多个系数矩阵,研究掌纹特征的提取算法。实验结果表明,NSCT在掌纹识别方面具有较好的性能和较高的识别率,从而验证了该方法在掌纹识别中的有效性和识别效果。     

基于八元数的彩色掌纹特征提取与识别算法

综合4种传统算法和八元数BP神经网络,提出一种掌纹特征提取算法,自动提取彩色掌纹图像的掌纹线。对掌纹线图像进行二维小波分解,并构造七维特征向量,采用八元数矢量积表示算法进行掌纹识别。实验结果表明,掌纹提取算法能提取出较精细的掌纹线,识别算法的成功率可达96%。     

自适应阈值法在掌纹图像预处理中的应用

在生物识别方法的研究中,掌纹图像二值化是掌纹特征处理的前提,是掌纹识别预处理的一个重要部分。要提高识别精度,消除噪音,针对掌纹图像所具有的灰度分布特性,提出了一种结合掌纹图像库特点的改进自适应二值化分割算法,分割的结果只提取掌纹轮廓并不改变掌纹图像的纹理特性,能够有效保留掌纹图像信息。最后,根据自适应阈值法的分割结果对掌纹图像进行预处理,同时,证明了自适应阈值法的有效性和可行性。实验结果表明,该算法能够很好的提取掌纹轮廓、消除噪声,为下一步掌纹图像识别提供参考依据。     

基于卷积神经网络的掌纹识别

随着社会的发展,身份信息的安全问题日益凸显。为解决用户身份识别过程中受环境影响较大,以及掌纹识别时提取掌纹特征复杂的问题,本文进行了"基于卷积神经网络(CNN)的掌纹识别"的研究。运用该算法的优势在于简化了掌纹识别的前期预处理,可以直接将采集的原始图像进行输入,然后识别。通过卷积操作和最大池化操作,减少了训练参数量,大大节约了时间。最后使用Softmax分类器对结果进行分类。实验结果显示,该方法对不同人的掌纹有较高的识别率,克服了传统掌纹识别精度差,识别时间长,人工提取特征困难的缺点。     

基于关键路径优化交叉遗传算法的掌纹识别

传统的掌纹识别算法在大多情况下运行缓慢以致效率不高,通常会依赖昂贵的技术装备而导致成本较高。针对这一问题,提出基于关键路径优化交叉遗传算法(CGA)的掌纹识别算法。首先,利用关键路径算法找到染色体的关键路径,借助于交叉概率剔除染色体的最差候选种群;然后选择最佳候选种群进行交叉运算,有效地改善低质量掌纹图像的问题;最后,在掌纹图像上的实验验证该算法的有效性及可靠性。实验结果表明,相比18项参数总和算法,该算法取得了更高的识别率,同时大大地降低了识别所耗时间,有望运用于实时掌纹识别系统。     

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。     

基于实值Gabor变换的掌纹识别

掌纹识别作为一种重要的生物特征识别方法,其中的一个重要环节就是掌纹特征的提取,本文提出了一种基于实数形式离散Gabor变换的掌纹特征提取方法,将空域的掌纹图像变换到联合（时间）空间频率域并将其联合（时间）空间频率域的能量分布作为掌纹的特征,以此为基础分别使用欧式距离和支持向量机进行了不同掌纹的匹配识别。实验结果表明,该算法对掌纹图像小的平移、小角度的旋转和小的手掌伸缩具有鲁棒性,并且获得了较高的识别率。     

一种新颖的低分辨率条件下的掌纹识别方法 *

掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术。当今的掌纹识别方法存在的比较困难的问题之一就是在特征提取时受一些客观因素制约 ,影响后面的匹配精度。为此 ,提出一种改进的基于相位相关的掌纹图像匹配算法。该算法不受光照、平移的影响 ,对噪声也有很好的鲁棒性。在此基础上实验了该算法在不同分辨率下的表现 ,发现当分辨率降为原图像的十六分之一时 ,该算法仍然能取得较高的识别率 ,证明了该算法在较低分辨率下的有效性。     

基于DSP和CPLD的掌纹图像采集系统设计

针对掌纹识别系统中的图像采集问题,提出了一种基于DSP和CPLD的掌纹图像采集系统的设计方法。将DSP的特殊设计结构作为算法处理核心,对掌纹图像进行采集、存储和处理。采用OV7620作为掌纹传感器,并利用CPLD完成DSP与0V7620之间的逻辑信号转换,设计出了一套实时、高性能的掌纹采集系统。实践证明,该图像采集系统运行稳定、可靠,具有一定的应用推广性和参考价值。     

双点辅助定位的移动终端掌纹识别系统

移动终端掌纹识别中难以控制手掌摆放位置和姿态,并且受到复杂场景和差异光照的干扰以及硬件资源的限制。针对上述技术挑战,本文在Android平台上自主设计和实现双点辅助定位的新型掌纹识别系统,并解决整个工程实现中的多个技术难题。拍摄时由辅助点和辅助框共同限定手部位置和姿态,确定食指和中指之间以及无名指和小指之间的2个指间谷底点为关键点,旋转掌纹图像使两点连线与坐标系横轴平行,最终裁剪感兴趣区域用于特征提取和识别。本文提出的辅助定位方案增强了掌纹预处理抵御干扰因素的稳健性和系统实时性。     

基于子空间特征融合的两级掌纹识别算法

针对单一PCA或PCA只能提取掌纹的线性或非线性特征,单一分类器的掌纹识别率低缺陷,提出一种子空间特征融合的两级掌纹识别方法（PCA-KPCA-SVM）。首先采用子空间特征提取方法PCA、KPCA分别提取掌纹图像线性和非线性特征,然后基于融合特征总类间距离最大准则,计算出最佳的融合系数,得到PCA、KPCA的融合掌纹特征,最后将融合特征输入到欧式距离分类器进行掌纹识别,如果拒绝识别,则输入支持向量机进行二次识别。采用Polyu掌纹图像库进行测试实验,结果表明,相对于对比算法,PCA-KPCA-SVM提高了掌纹识别率,有效降低了掌纹的误识率和拒识率。     

非接触式掌纹图像采集与图像增强技术研究

掌纹识别是生物特征识别领域的前沿课题,其中非接触式的掌纹识别技术因其具有用户体验性好、无卫生污染等特点,Et益成为相关研究领域的热点。但是非接触式的掌纹识别技术易受背景复杂、光照不足等不良因素的影响,给掌纹的图像采集与特征的提取匹配带来了困难。为了更好地解决这些问题,需要采用更为有效的图像增强技术。文中介绍了非接触式图像采集与预处理过程中图像增强技术的基本概念,对该技术实现方法进行了归类阐述和分析,探讨了该技术的发展趋势。     

改进Contourlet变换的3D掌纹图像识别

提出一种基于改进Contourlet变换的3D掌纹图像识别方法;该方法通过形状指数将3D掌纹图像映射成灰度图像,以克服常用的均值或高斯曲率映射难于精确描述3D掌纹特征的缺点;基于此,将7/5滤波器引入Contourlet变换,并在变换域提取形状指数映射图各方向子带的均值与方差作为掌纹图像的特征信息,从而有效利用了Contourlet变换优越的方向特征表达能力,又可有效消除传统Contourlet变换各子图像存在的相关性;最后采用欧氏距离最近邻分类法,实现了测试图像的分类识别。实验结果表明,针对香港理工大学所提供的三维掌纹数据库,该方法总体识别率较PCA方法提高了2.9%,具有明显的优势。     

掌纹识别算法综述

掌纹识别作为一种新兴的生物识别技术, 近年来得到了广泛的关注与研究. 与其他生物特征相比, 掌纹有许多独特的优势,包括识别率高、采集设备价格低廉、用户可接受性好等. 这些优势使得掌纹识别成为一种有着广泛应用前景的生物识别方法. 本文首先介绍了掌纹的特点、掌纹的采集设备和预处理方法, 之后详细介绍了近几年来提出的各种掌纹识别方法. 根据特征提取以及匹配方法的不同, 本文将掌纹识别方法分为基于结构的、基于子空间的、基于编码的和基于统计的四类方法. 在回顾和比较了各种算法的特点之后, 对未来的掌纹识别方法的发展方向作了展望.     

刚性变形成像条件下掌纹识别方法研究

目前广泛使用的掌纹图像采集装置是非接触式,这种方式适应了掌纹识别生活化的实用要求。但是构成了不稳定的成像环境,拍摄过程中会产生平移、旋转、扭曲,我们将这些不会影响掌纹线结构特征的变形称之为刚性变形。本文从手掌长度和宽度两个角度衡量掌纹图像刚性变形程度,设计了一种归一化校正方法。建立不同变形程度的掌纹图库,对掌纹特征匹配结果进行比较实验;实验结果表明,这种方法能够降低由于刚性变形对识别率产生的影响。