掌纹和三维手形的多模态图像采集装置设计

为了提高手掌掌纹图像采集速度,和解决接触式采集模式的缺点,设计出一种新型非接触式的掌纹和三维手形的多模态图像采集装置,可以将手掌掌纹、正面与侧面手形信息采集于一幅图像中.该装置硬件部分主要包括USB2.0控制器模块、CMOS图像传感器模块和其他辅助电路模块;软件部分包括下位机USB外设的固件程序、上位机操作系统的USB...     

一种自适应的T型结构掌纹分区算法

掌纹图像可由一个T型结构分为指根区域、内侧区域和外侧区域3个部分,合理地利用这些分区信息,可以有效地提高掌纹识别的效率和正确率.为此,提出一种自适应的T型结构分区算法,利用掌纹中的主线信息,并结合掌纹的灰度和方向场构造一个目标函数;通过搜索寻找目标函数的最大值实现T型结构的定位,以实现对掌纹的分区.实验结果表明,采用文中的算法能够获得有效的掌纹分区结果.     

双树复小波变换结合LM神经网络的掌纹识别方案

针对现有掌纹识别方案不能够很好的提取多分辨率特征的问题,提出一种基于双树复小波变换（DT-CWT）和Levenberg-Marquardt（LM）神经网络的掌纹识别方案. 首先,将彩色手掌图像转换成灰度图像. 然后,提取出手掌图像中的感兴趣区域（ROI）,并构建成直方图. 接着,利用DT-CWT进行6层小波分解并获得特征系数,分别计算特征系数的最大值、平均值和中值构建36维特征向量. 最后,利用LM神经网络根据特征向量实现掌纹的识别分类. 在CASIA数据库上的实验结果表明,相比其他几种较新的识别方案,提出的方案的具有更高的识别率和更少的识别时间.     

基于区域特征映射的模糊掌纹识别方法

针对掌纹在非接触采集时易出现模糊现象从而导致系统识别性能降低的问题,建立了区域到点的特征映射模型,提出了一种基于区域特征映射(Region feature map, RFM)的模糊掌纹识别方法.首先根据图像的模糊原理,建立等价的模糊模型,获取模糊掌纹; 然后使用RFM对模糊掌纹进行操作,将高维的区域特征映射到低维的点特征; 最后,采用归一化相关性分类器对掌纹所属类别进行判定识别.使用模糊模型对PolyU掌纹库进行处理得到PolyU模糊掌纹库,并分别在PolyU掌纹库和PolyU模糊掌纹库上进行测试,识别结果较为稳定. 在模糊掌纹库上,本文算法的等错误率(Equal error rate, EER)最小可达0.9069%,优于传统算法,且进行一次识别的时间为33.95ms,得到的特征数据维数较小,降低了算法复杂度,表明了本文算法的有效性和实时性.     

非接触式在线掌纹识别模拟系统的实现

为研究非接触式采集模式下的在线掌纹识别技术,利用Matlab提供的图像采集工具箱及GUI功能设计并实现了一套非接触式在线掌纹识别模拟系统;在Matlab环境下,设计的系统可模拟真实的非接触式在线掌纹识别过程,实现掌纹图像采集、预处理、特征提取及特征匹配等功能模块,在线实验多种掌纹特征提取方法的正确识别率及运行时间,为非接触式在线掌纹识别技术的深入研究和产品开发提供实验数据和理论依据.     

基于离散余弦变换和支持向量机的掌纹识别

提出一种利用离散余弦变换提取掌纹的特征,通过支持向量机进行掌纹分类识别的方法。在利用离散余弦变换进行特征提取时,将变换系数矩阵左上角的部分元素作为掌纹图像的特征;在利用支持向量机进行掌纹分类识别时,采用“一对多”的分类方案。实验结果表明该方法的有效性。     

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。     

基于Gabor局部相对特征的掌纹识别

Gabor变换是掌纹识别中提取纹理特征的一个重要工具,但其性能易受图像的变化以及不均衡噪声等因素影响,因此提出了一种基于Gabor局部相对特征的掌纹识别算法。该算法对原始图像进行微尺度不变Gabor滤波;结合分形学的思想,将滤波后的图像分成大小相等的子域,每个子域又分成多个相同的子块,计算每个子块与它所在子域的相对方差,将所有子块的相对方差排列组成表征图像的特征向量进行识别。该算法将微尺度不变与局部相对特性统一,所提取的特征对各种变化有很强的鲁棒性,提高了识别精度和效率。实验使用北京交通大学BJTU_PalmprintDB证明该算法的有效性。     

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OMAP3530的嵌入式多光谱掌纹识别系统

基于OMAP3530双核平台实现一个嵌入式多光谱掌纹识别系统。采用Palm Code掌纹识别算法,通过融合掌纹与手掌静脉提高系统防伪性,同时使算法的准确率从可见光的91.33%提高到95.33%。在OMAP3530实现时,让具有强大运算能力的DSP处理器专注于复杂的特征提取运算,ARM处理器则负责图像采集、外设控制、任务调度及用户交互。所设计的系统集成图像采集模块和中心处理主板,识别率高、防伪性强并且具备实时处理性能。