基于水平扩张毯子维的掌纹识别

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研究.鉴于毯子 维(Blanket dimension, BD)的多分辨率特性和掌纹纹理的方向性,本文对比分析了普通毯子维、水平方向扩张 毯子维和垂直方向扩张毯子维对掌纹分形特征的表达性能,提出并研究了一种基于水平扩张 毯子维的掌纹识别新算法.本文算法在香港理工大学掌纹数据库(版本2)进行了实验,实验结 果表明,水平扩张毯子维可以很好地提取掌纹特征,获得的识别率可达99.9%,识别时间 小于287ms,可满足在线掌纹识别.     

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。     

基于空间频率能量分布的掌纹识别

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空间频率域并将联合空间频率域的能量分布作为掌纹的特征,以此为基础使用欧式距离对特征向量进行了匹配识别。实验结果表明,该算法对掌纹图像小范围的平移、小角度的旋转和小范围的手掌伸缩具有鲁棒性,获得了比较理想的识别率。     

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。     

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。     

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.     

基于Gabor小波变换和最佳鉴别特征的掌纹识别

提出了一种提取掌纹图像特征的方法,该方法的实现过程如下：首先,计算掌纹图像上均布离散位置的二维Gabor小波变换系数的幅值,将其作为掌纹图像的原始特征;其次,利用主分量分析实现Gabor小波特征的降维;最后,通过线性判别分析提取最有利于分类的最佳鉴别特征。实验结果表明了该方法的有效性。     

基于Gabor滤波器和LBP的分级掌纹识别

本文首次提出将局部二进制模式(LBP)应用到掌纹识别中。借鉴分级检索的思想,先采用Gabor滤波器提取掌纹的全局能量特征,后采用LBP算子提取局部特征实现两次分类。实验结果表明,与单纯的Gabor滤波器方法相比,系统的识别率可进一步提高。     

一种基于Gabor小波和2DPCA的掌纹识别改进算法

提出一种改进的基于Gabor小波变换和二维主分量分析2DPCA(2-Dimensional Principal component analysis)的掌纹识别。2DPCA克服了传统Gabor小波变换后直接进行主分量分析PCA(Principal component analysis)遇到的维数灾难问题,并且将PCA与Fisher线性判别FLD(Fisher Linear Discriminate)结合起来,利用了以前仅用于降维的PCA特征和FLD特征相融合进行掌纹识别。基于PolyU掌纹库的实验结果表明,该方法不仅有更高的识别率,而且维数更低。     

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%。     

基于Contourlet变换和NMF的掌纹识别算法

提出一种基于Contourlet变换和非负矩阵分解(NMF)的掌纹识别算法。通过对源图像Contourlet进行小波变换,将提取出的低频分量用NMF法提取特征值,用最近邻方法进行分类。实验结果表明,该算法较单纯的NMF和2DPCA等算法识别性能有较大提高,能较好地捕捉图像的边缘信息。     

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。     

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.     

基于Contourlet变换与SVM的掌纹识别

提出一种基于轮廓波(Contourlet)变换与支持向量机(SVM)的掌纹识别算法。基于积分光密度与中心矩,对掌纹图像进行光照、位置与方向的归一化,提取Contourlet变换高频子带的一阶统计特征,形成掌纹特征,利用SVM进行分类与识别。实验结果表明,与基于统计特征的掌纹识别方法相比,该算法的识别率较高。     

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.     

基于傅立叶变换的掌纹识别方法

掌纹识别是指由计算机自动识别哪些掌纹图像来自同一只手掌,哪些来自不同的手掌.在掌纹识别中,特征提取算法的优劣至关重要.提出了一种基于傅立叶变换的掌纹特征提取方法.该方法的基本思想是先将掌纹图像应用傅立叶变换转换到频域,然后在频域中进行特征提取和描述.提取出来的特征备用来索引掌纹数据库,以便当一个新的掌纹图像被输入时,可以很快确定该手掌是否已经在掌纹库中注册.该方法可以用来做基于人体生物特征的身份识别,在安全领域有广泛的应用前景.实验验证了该方法的有效性.