基于改进PCA和支持向量机的掌纹识别

掌纹识别是一种新兴的生物特征识别技术。掌纹识别是用掌纹特征(包括人眼可见的和不可见的)来进行身份鉴别的一种方法。其中掌纹特征提取和掌纹特征匹配是掌纹识别研究的关键部分和核心内容。在特征提取方面,给出了两种改进的特征提取方法。先对掌纹图像进行傅里叶变换,再对变换后的图像进行主成分分析;针对掌纹图像的特点,对PCA进行改进,设计了适用于掌纹图像的分块主成分算法。将一整幅掌纹图像分为若干子块图像,在此基础上进行主成分分析。通过实验验证了改进的特征提取方法可以提高识别准确率。在特征识别方面,模版匹配虽然在一定程度上计算量小,准确率高,但容易陷入小样本问题。因此通过训练SVM分类器,进行掌纹识别。实验证明该方法有较好的可行性。     

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术.使用主成分分析对图像向量进行处理,向量维教一般都很高.二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数.在香港Poly-technic Universitv的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度.     

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。     

基于PCA-LBP特征的掌纹识别研究

关于掌纹特征提取要求提高识别率,局部二值模式(LBP)掌纹识别,提取的特征维数高,特征之间存在一定冗余,导致掌纹识别率较低.为了提高掌纹识别率,提出一种主成份分析(PCA)的LBP的掌纹特征提取方法(PCA-LBP).首先对掌纹图像进行灰度预测,采用LBP算法计算灰度直方图,得到256个灰度对应的像素数据,将其作为掌纹图像的原始特征,用主成分分析方法消除各特征之间的高度冗余性,并有效地降低了特征集的维数,得到了最有利于识别的最佳特征.根据最小欧式距离判别法对掌纹图像的进行识别,对PolyU标准库中的掌纹进行仿真实验,结果表明,相比传统的LBP算法和离散小波变换提取算法,可以提较少的特征维数取得了更高的的识别率,说明改进算法既不会丢失掌纹图像的原有信息,提高了识别率.     

稀疏表示的手掌图像识别研究

针对手掌位置、光照、采集设备等外界因素会影响掌纹图像的识别率以及传统稀疏重构的分类方法计算复杂度高的问题.提出融合双向二维主成分分析((2D)2PCA)与压缩感知的掌纹识别方法,将L1范数最小化重构算法替换成分类正交匹配追踪(COMP)算法,以降低复杂度.首先利用双向二维主成分分析对掌纹图像行列两个方向进行降维,提取特征矩阵,做为压缩感知算法的过完备字典.然后通过分类正交匹配追踪算法(COMP)求解图像在过完备字典上的稀疏表示,以得到一组最优稀疏系数重构每个图像.最后求得测试图像与各类重构图像的最小残差得出分类结果.基于北京交通大学掌纹库的实验结果表明,主成分分析与压缩感知方法可有效降低计算复杂度,对于光照不均匀和有位置变化的掌纹具有一定的鲁棒性,具有良好的掌纹识别性能,可以得到较高的掌纹识别率.     

特征维数和分类器参数统一优化选择的掌纹识别

为了进一步提高掌纹识别系统性能,充分利用主成分分析特征维数和支持向量机参数之间的联系,提出了一种特征维数和分类器参数统一选择的掌纹识别模型（Features-Classifier）。对掌纹图像进行预处理,将主成分分析图像特征维数和支持向量机参数作为一个粒子,在统一的目标函数下通过粒子之间的信息交流和相互协作,找到最优掌纹特征和分类器参数,根据最优掌纹特征和分类器参数建立掌纹图像识别模型,并采用Po1yU掌纹数据库对模型性能进行仿真实验。结果表明,Features-Classifier的掌纹平均识别率达到94%以上,识别结果明显优于独立、分开选择特征维数和分类器参数的掌纹识别模型。     

分块双向二维主成分分析与模糊分类的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。提出基于分块双向二维主成分分析(M(2D)2PCA)和模糊分类的掌纹识别方法。该算法利用M(2D)2PCA提取掌纹的局部特征,并利用模糊分类策略。这种方法可以有效提取掌纹的局部特征,并且直接对子图像矩阵进行特征抽取,能够精确计算协方差矩阵的特征向量;分类阶段引入模糊理论,应用于掌纹识别问题。最后使用北京交通大学掌纹数据库进行识别实验,结果表明,该方法可得到更高的识别率和更少的识别时间。     

基于矩不变量-2DPCA的掌纹识别算法

在掌纹识别问题的研究中,首先在频域内对图像在主方向上利用2D Gabor滤波器进行滤波,增强特征纹线信息.然后通过小波变换对掌纹图像进行分解,可以降低图像的分辨率并提取低频成份.对二维主成分分析(2DPCA)可以降低计算复杂度,有利于计算掌纹图像的特征.在样本采集过程中难免会有一些由于微小旋转或挤压所引起的噪声所带来的影响,为了对传统的2DPCA算法进行改进,并提高掌纹算法的识别率.同时利用减少上述噪声的影响.将两种方法结合在一起,反复进行掌纹特征的计算,最后使用最近邻法则进行匹配.实验表明,矩不变量配合2DPCA的方法可以提高掌纹图像的识别率.     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

小波分解与PCA方法的掌纹特征提取方法*

提出了一种新的掌纹特征提取方法,其目的在于在不降低识别率的情况下,提高掌纹特征提取速度。首先将原始掌纹图像进行小波分解,获得低分辨率的掌纹图像;其次通过主成分分析（PCA）方法获得一个低维子空间,即“特征掌”;最后通过将训练、测试样本在该“特征掌”上投影来提取掌纹特征。实验结果表明,所提出方法与单一PCA方法比较,在同样识别率情况下,特征提取速度明显提高。     

一种改进的基于PCA和FLD的掌纹识别

掌纹识别是生物特征识别中的一种,由于其分辨率要求低、设备成本低、用户易接受等优点受到众多研究者的关注.同其他生物特征识别一样也包括几何特征和数学特征识别两类方法,在数学特征中PCA、ICA、FLD等特征都可以用于掌纹识别.PCA是一种基于二阶统计的最小均方误差意义上的最优维数据压缩技术,FLD是一种较为普遍的用于特征提取的线性分类方法.将PCA和FLD结合起来进行掌纹识别,在识别阶段进一步利用了以前仅用于降维的PCA特征和FLD特征相融合进行识别.实验结果证明该方法比未改进的FLD方法在识别率上得到明显的提高.     

基于混合滤波LBP和PCA的掌纹识别

针对基于局部二值模式(LBP)的掌纹识别易受噪声影响,导致算法鲁棒性下降,提出一种结合混合滤波LBP(HFLBP)和主成分分析(PCA)的特征提取方法.从滤波和特征提取的角度对传统LBP算法进行改进,先对图像进行去噪处理,然后对掌纹图像进行分块,提取LBP直方图特征向量,并通过PCA算法对特征向量进行降维,最后利用欧氏距离匹配.在香港理工大学PolyU图库和PolyU噪声图库上与几种典型算法进行对比实验,实验结果表明,本文算法分别获得最低等误率为1.1405％、4.0101％,有效地提高了识别率和鲁棒性,具有很好的应用前景.     

基于多线性主元分析和FLD的掌纹识别*

为了减少高维对计算成本的影响,同时提取有利于分类的判别特征,提出运用多线性主元分析(MPCA)与FLD相结合的方法进行掌纹识别。运用MPCA直接对掌纹张量进行降维和特征提取,低维特征向量作为FLD的输入,提取判别特征向量,计算特征向量间的余弦距离进行掌纹匹配。PolyU掌纹图像库的实验结果表明,与主元分析（PCA）、PCA+FLD、二维主元分析(2DPCA)、独立元分析（ICA）和MPCA相比,该算法的识别率(RR)最高为9991%,特征提取和匹配总时间为0398 s,满足实时系统的要求。     

Robust palmprint identification based on directional representations and compressed sensing

In this paper, we propose a novel approach for palmprint recognition, which contains two interesting components: directional representation and compressed sensing. Gabor wavelets can be well represented for biometric image for their similar characteristics to human visual system. However, these Gabor-based algorithms are not robust for image recognition under non-uniform illumination and suffer from the heavy computational burden. To improve the recognition performance under the low quality conditions with a fast operation speed, we propose novel palmprint recognition approach using directional representations. Firstly, the directional representation for palmprint appearance is obtained by the anisotropy filter, which is robust to drastic illumination changes and preserves important discriminative information. Then, the principal component analysis (PCA) is used for feature extraction to reduce the dimensions of the palmprint images. At last, based on a sparse representation on PCA feature, the compressed sensing is used to distinguish palms from different hands. Experimental results on the PolyU palmprint database show the proposed algorithm have better performance than that of the Gabor based methods.     

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。     

二维EMD分解提高PCA掌纹识别率

为了提高常用于在线掌纹识别的PCA方法的识别率,提出融合BEMD技术的PCA掌纹识别方法.二维EMD技术能够在频率域内实现图像的多层分解,在不同频段内对图像进行处理.掌纹图像的低频部分容易受到背景等因素的影响,所以实验中提取、利用掌纹高频信息,去除低频信息,充分利用掌纹中的个人特征信息,抑制干扰,提高识别率.基于香港理工大学掌纹数据库的仿真结果显示,这种方法的识别率远高于传统PCA方法,体现了一定的理论研究意义和实用价值.     

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。     

一种融合小波变化和张量PCA的人耳识别的算法*

小波变换具有良好的时频分析特性,而且具有较快的算法特点,同时还能起到降维的作用。张量主成分分析方法用于人耳识别能获得比PCA方法更高的识别率。综合利用这两个算法的优点,提出了一种新的人耳识别方法,对人耳图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,最后利用最近邻的方法实现人耳图像识别。实验结果表明,利用此方法与只用主成分分析识别相比,提高了识别率。     

基于分类性能的掌纹特征有机融合

为了克服利用单一特征进行掌纹识别的局限性,提出一种基于分类性能的掌纹多特征有机融合方法。该特征融合方法通过三步来实现:特征选择、加权处理和降维处理。在分析单一特征分量聚类性能的基础上,通过构造判别准则并设定相应阈值对特征进行取舍;通过构造类内距离与类间距离之比这一函数计算得到每个特征分量的权值,然后进行加权处理;最后利用主分量分析法对特征进行降维处理。以改进的LBP算法和离散小波变换提取掌纹的两种特征,将提取的特征进行融合实验,结果表明了该方法的有效性。