基于学习的高分辨率掌纹细节点质量评价方法

细节点在高分辨率掌纹匹配中扮演了重要角色,然而掌纹图像受到主线、褶皱线等的影响,提取出的细节点质量参差不齐.所以,对细节点进行质量评价并去除伪细节点,成为一个研究课题.提出了一种基于学习的高分辨率掌纹细节点质量评价方法.首先使用了基于图像的Gabor卷积响应和复数滤波响应等的一系列特征,用来对细节点局部进行冗余描述;然后,把每个特征作为弱分类器,用AdaBoost算法进行多层训练,挑选出对真伪细节点判别效果最理想的特征;最后,把弱分类器加权线性组合的响应分数作为细节点质量的得分,筛选出得分在阈值以上的细节点作为真细节点.该方法的实验结果与基于傅里叶变换的方法相比,能够更好地区分真伪细节点,对细节点的质量做出了更好的评价.     

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.     

构建细节点柱形结构的指纹匹配算法

细节点柱形编码结构是指纹匹配领域中一种新颖的三维数据结构表示。针对这种方法所面临的极大的空间存储代价和时间复杂性,以及对稀疏细节点的描述能力较弱等问题,提出了新的细节点柱形结构的匹配策略,对原有的细节点柱形编码进行改进,减少了柱形编码的计算,有效地降低了匹配时间和空间代价。同时引入了最小形变误差模型,通过对非线性形变进行度量,找回丢失的稀疏细节点对,提高了匹配的准确率。在FVC2004上的实验结果表明,新方法具有较高的效率和准确性。     

一种利用边缘直方图压缩的FCM加速算法

FCM(fuzzy C-means clustering)算法在图像分割中应用较为广泛,但其运算时间开销过大的缺点限制了它的应用。现有的利用一维直方图进行聚合从而压缩样本数量的方法虽然加快了运算速度,但随着压缩的增强分割效果明显变差。本文利用图像的边缘点能够更多地表现图像细节特征的特性,通过利用边缘点灰度值的统计信息作为聚合的特征,使数据压缩相同程度时分割效果更好更稳定,并且在压缩程度的选择上更加灵活,从而更适合数据位数较高的图像分割。而且其运算速度较FCM算法也有几十倍的提高。