融合水平梯度与局部信息强度的掌纹识别算法

掌纹纹线特征是掌纹最有效的特征.由于在采集掌纹时不可避免地会产生尺度不一致、细微的旋转或平移等问题,使得准确地提取以及描述纹线特征成为掌纹识别的一大难点.针对这一问题,提出了一种融合水平梯度与局部信息强度的掌纹识别算法(Horizontal Gradient-Local Information Intensity,HG-LII).首先,使用不同的均值滤波模板消除细小、不规则、不稳定的掌纹纹线特征,对处理后的图像使用水平梯度算子得到水平方向的梯度图像,并进行二值化;其次使用分块思想计算掌纹纹线的信息强度,并将其作为特征向量;最后采用卡方距离进行匹配,判断掌纹所属类别.在PolyU掌纹库上的实验结果表明,该算法识别率达到99.89％,与传统的提取纹线算法相比,识别率有明显的提高,表明了该算法的有效性.     

一种用于掌纹识别的线特征表示和匹配方法

作为一种较新的生物特征,掌纹可用来进行人的身份识别.在用于身份识别的诸多特征中,掌纹线,包括主线和皱褶,是最重要的特征之一.本文为掌纹识别提出一种有效的掌纹线特征的表示和匹配方法,该方法定义了一个矢量来表示一个掌纹上的线特征,该矢量称为线特征矢量(1ine feature vector,简称LFV).线特征矢量是用掌纹线上各点的梯度大小和方向来构造的.该矢量不但含有掌纹线的结构信息,而且还含有这些线的强度信息,因而,线特征矢量不但能区分具有不同线结构的掌纹,同时也能区分那些具有相似的线结构但各线强度分布不同的掌纹.在掌纹匹配阶段,用互相关系数来衡量不同线特征矢量的相似性.实验表明,LFV方法无论是在速度、精度,还是在存储量方面都能满足联机生物识别的要求.     

基于主线特征的双向匹配的掌纹识别新方法

掌纹识别是利用人的手掌掌纹图像对其身份进行认证的一种生物特征识别技术,目前的掌纹研究主要集中在掌纹特征线的提取算法上,而对特征线的筛选和匹配的问题讨论较少,掌纹上的纹线比较复杂,深浅粗细长短不一,实施任何一种边缘提取算法都要考虑纹线的取舍问题,首先介绍了提出的应用最大内切圆对掌纹有效区域进行分割和对准的方法,较好地解决了掌纹的定位问题,然后提出了掌纹特征线族的概念,用以刻画掌纹上的主要特征,从而将掌纹纹线特征分为主要特征和次要特征．通过对主要特征与全部特征的双向匹配,给出最终的识别结果,将该方法与之前提出的基于傅里叶变换的方法在自行研制的掌纹采样设备所采集的掌纹库(90人450幅)上进行了比较实验,实验结果证明新方法可以处理原方法无法定位的掌纹图像,同时识别率也有明显提高。     

一种基于MFRAT和ICP的掌纹主线提取和配准算法

为提高受旋转和平移影响的掌纹图像的识别精度,文中采用一种基于方向最近邻域(DNN)搜索的迭代最近点(ICP)图像配准算法,对掌纹主纹线特征图像进行配准,同时在掌纹主纹线特征图像配准过程中采用粗配准和精配准相融合的配准方式.实验结果表明,该方法具有较高的计算效率和较好的抗旋转平移能力.     

融合全局和局部方向特征的掌纹识别方法

摘 要：掌纹识别是受到较多关注的生物特征识别技术之一。在各类掌纹识别的方法中, 基于方向特征的方法取得了很好的效果。为了进一步提升识别精度,提出一种融合全局和局部 方向特征的掌纹识别算法,主要融合了基于方向编码的方法、基于方向特征局部描述子的方法 和结合方向特征和相关滤波器的方法。其中前 2 种方法属于空间域方法,可很好地提取掌纹的 局部方向特征;而第 3 种方法属于频域方法,能有效地提取全局方向特征。在匹配值层对该 3 种方法的识别结果进行融合。本文算法在 2 个掌纹数据库上进行了验证,实验结果表明,本文 方法的识别性能明显优于其他几种掌纹识别方法。     

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.     

掌纹图像处理方法的研究

提出了一种利用图像方向信息提取掌纹特征纹线的方法。该方法将掌纹图像分成若干子块，充分利用子块中图像纹理的方向信息对掌纹图像进行滤波和增强处理；剔除图像中不含纹线的图像子块，对含有特征纹线的子块在其主方向上进行方向增强处理，突出特征纹线信息。对不同采集质量的掌纹图像的处理结果表明文中提出的方法是一种有效的掌纹图像处理方法，它可以应用于不同质量掌纹图像特征纹线的提取。     

基于二阶段小波多分辨率分析的掌纹分割算法

针对复杂掌纹纹线难以分割、有效性低的问题,提出一种基于二阶段小波多分辨率分析的掌纹分割算法.该方法首先利用小波多分辨率分析高频子图的候选子区域,对得到的相似掌纹纹线集合进行合并;接着对合并相似区域的集合和二值化集合求交集得到融合图像;最后利用区域生长法和形态学去噪得到掌纹主要纹理特征.实验结果表明,该方法不仅能有效地剔除复杂掌纹的噪声,而且能准确提取掌纹特征,从而达到准确识别的目的.     

基于àtrous-Contourlet变换与不变矩的掌纹匹配算法

为了提高掌纹识别的速度和准确率,克服Contourlet变换在处理高维信号时的不足,提出了一种新的掌纹识别算法。该算法首先对掌纹图像进行àtrous-Contourlet变换,得到高频分量和不同方向不同子带上的低频分量,再根据不同子带的能量分布所提取出的统计特征选择不同的特征加权系数,对图像所得到的不变矩向量进行加权计算,得到新的特征向量,完成掌纹图像的识别。实验结果表明,该算法与小波矩算法、Hu不变矩算法和Contourlet算法相比有较高的效率和匹配精度。     

基于安全概略的可撤销掌纹模板生成算法

为了有效改进掌纹模板生成算法的识别率和安全性等性能,提出一种基于安全概略的可撤销掌纹模板生成算法。首先提取掌纹图像不同方向、不同尺度的Gabor幅值特征,并通过主成分分析（PCA）算法对其进行降维;然后将加密后的特征向量与BCH码异或融合,得到基于安全概略的可撤销掌纹模板。对比实验表明,该算法具有良好的识别性能,能较好地满足可撤销性、多样性和不可逆性,即便在单密钥丢失的情况下,也具有较高的识别率。