自动取款机纸币序列号图像采集装置的研制

自动取款机(简称ATM)纸币序列号图像的正确采集是ATM纸币序列号自动识别记录装置的关键.研制了一种ATM纸币序列号图像采集装置,包括纸币位置检测单元、纸币序列号图像采集单元、系统存储与控制单元.本论文的关键在于解决了ATM出钞过程中纸币序列号的图像实时采集问题.将所研制的纸币序列号图像采集装置安装在目前流通的一款ATM中,实际运行结果表明,所给出的纸币序列号图像采集方法与装置能够正确采集到纸币出钞过程中的纸币序列号图像,经过适当的参数调整,还可以应用于不同币种和面值、不同出钞速度的ATM中.     

应用于DM648的FLASH自动加载实现方法

为实现DSP嵌入式系统的应用程序自动加载功能,提出了基于TI公司的TMS320DM648的NOR Flash自动加载实现方法.首先对启动过程进行了分析,给出了用户加载程序的编写方法.在此基础上,根据公共目标文件格式和应用镜像脚本两种文件格式的说明,设计出公共目标文件格式到应用镜像脚本转换程序,生成可用于FLASH烧写的文件.最后在TMS320DM648核心板上实现了在CCS环境下对Flash编程和程序自动加载,证明该方法有效可行.     

基于主曲率和主方向的多尺度视网膜血管骨架提取方法

为了减少视网膜血管骨架提取过程中低对比度血管的漏检和误检数量,提出了一种基于主曲率和主方向的多尺度视网膜血管骨架提取方法。首先,分别提取视网膜图像中每个像素点在多尺度高斯滤波后的主曲率和主方向;其次,在每个尺度下分别提取最大主曲率方向上的局部最大值点,并通过曲率阈值筛选出高对比度血管中心像素点作为种子点;然后,利用最小主方向对低对比度血管进行骨架追踪和标记;最后,对多个尺度下提取的血管骨架进行融合。方法分别在DRIVE训练数据集、DRIVE测试数据集和STARE数据集上进行了测试,漏检数量分别为89、97、106,误检数量分别为99、101、122。实验结果表明,该方法能够提取出低对比度的细小血管骨架,但对于对比度在3个灰度级以内的细小血管存在少量漏检,对于与血管粘连的高对比度细条状纹理和病灶干扰存在少量误检。     

基于并查集和边缘检测模板的非理想虹膜定位

非理想虹膜图像往往存在虹膜边缘模糊、灰度变化不均匀、位置偏移及光斑干扰等问题, 这些问题的存在会在一定程度上影响虹膜内、外边界定位的准确率. 针对这个问题, 本文提出采用并查集和边缘检测模板的方法来对非理想虹膜进行内、外边界定位. 内边界定位是首先采用并查集方法完成瞳孔区域粗定位, 然后采用Hough变换对瞳孔进行精确定位; 外边界定位是先利用一系列边缘检测模板大致确定外圆的位置, 然后再依据外边界附近圆环内边缘点的密度来最终完成外边界的精确定位. 实验结果表明, 对于非理想虹膜图像, 本文方法的定位正确率和定位速度均高于其他同类方法.     

透射成像纸币冠字号定位方法

纸币成像方式分为反射和透射成像两种方式。反射方式成像的纸币图像清晰、背景单一,但采集任意方向进入点验设备的冠字号图像需两个图像传感器,占用仓室空间大;相同条件下,透射方式仅需一个图像传感器,具有空间上的优势,但透射方式的图像背景复杂、两面图像重叠、易光照不均。针对这些问题,提出一种冠字号定位的新算法。检测冠字号的字符间间隙特征点;在特征点检测基础上,进行水平投影,根据人民币固有属性计算冠字号区域的准确水平位置;在水平定位基础上,通过定位欧姆龙环间接计算出冠字号区域的准确垂直位置;利用连通域标记算法定位出单个字符。对2000张正常流通05版人民币进行测试,定位正确率为100％。     

基于能量最大响应方向的虹膜识别算法*

为提高虹膜识别算法的正确识别率,给出了基于能量最大响应方向的虹膜识别算法。该算法首先对人眼图像进行预处理得到归一化虹膜图像,并依据归一化虹膜纹理的分布特点,选择多尺度多方向滤波技术对归一化虹膜图像进行分解;然后提取最优分解尺度下像素点的能量最大响应方向数,进行二进制虹膜编码和去噪;最后通过计算两个虹膜编码间的加权海明距离和衡量两者的差异性,给出识别结果。实验证明,在等误率为0.1176 时,正确识别率达到99.997%。与经典的虹膜识别算法相比较,该算法具有更高的识别率。     

低分辨率人耳图像识别方法研究*

针对人耳识别中存储量和计算速度的要求,同时考虑远距离拍摄时低分辨率人耳识别问题,探讨了低分辨率人耳图像识别性能,给出了分辨率与识别率的关系。首先采用高斯金字塔对人耳图像进行不同层的分解,然后对每一层图像应用广义判别分析方法（GDA）提取特征,最后计算样本间的余弦距离,通过阈值法分类识别。实验结果表明,当人耳图像分辨率降低为36×24时系统识别性能最好,满足实时生物识别系统的要求。     

基于仿射尺度不变特征变换的掌纹识别

相比传统接触式采集方法,非接触采集是目前掌纹识别的趋势和主流,但其低约束性可能导致人手和图像传感器平面不平行,从而使掌纹产生仿射变形.传统的尺度不变特征变换(scale invariant feature transform,SIFT)对此识别效果不佳.针对这个问题,提出一种改进方案,即基于仿射尺度不变特征变换(affine scale invariant feature transform,ASIFT)的掌纹识别方法,建立了变形掌纹的仿射模型,模拟了相机光轴的经度角和纬度角,在仿射空间内提取图像特征.通过基于实际环境所建立的掌纹库——SUT图库验证算法性能,与SIFT算法及目前典型的掌纹识别方法进行对比.结果表明,ASIFT方法具备良好的抗掌纹仿射变形性能,等误率仅为0.6％,证明了该方法能够成功解决掌纹变形问题,鲁棒性和稳定性强,具备优越性.     

全手掌纹5类主线特征选择方法研究

为解决非接触式掌纹识别中的光线干扰和算法复杂度问题,提出采用全手掌纹5类主线作为特征的思想,并研究主线特征的选择方法,即根据感情线、理智线、生命线、事业线、成功线的条数、交点数及部分端点信息将掌纹分为9个类别。采用主线特征的优点在于能够选择到不受光线干扰和运算复杂度小的掌纹特征自动提取方法,并为手多模态决策层融合提供数据基础。根据香港科技大学(HKUST)掌纹图库实验表明,与传统的只依据感情线、理智线和生命线3条主线为特征的分类方法相比,类间样本区分度增大,类内相似样本数由传统方法的81.54%降低至35.00%,其余各类样本趋于相对均匀,即说明了该方法不仅具有较高的分辨力,而且具有可行性和优越性,为手多模态特征识别技术中主线自动提取及匹配提供了理论支撑。