基于特征融合的掌纹识别算法应用研究

研究掌纹准确识别问题,由于光照强度、位置移动、采集设备等影响,采集掌纹图像的分辨率较低。单一掌纹特征提取方法难以全面描述掌纹信息,导致掌纹识别率低。为了提高了掌纹识别率,提出一种基于Gabor滤波和LBP算法相融合的掌纹识别方法。首先对采集掌纹进行预处理,然后分别采用Gabor滤波和LBP算法进行特征提取,最后采用神经网络建立掌纹识别器。仿真结果表明,相对于单一特征提取算法,融合特征算法不仅提高了掌纹识别率,同时加快掌纹识别速度,能够很好满足实时掌纹识别系统的要求。     

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%。     

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ICA的在线掌纹识别

个人身份认证和鉴别在现在社会显示着重要的作用,作为一种准确而可靠的个人鉴定方式,生物识别已经引起了广泛的注意.掌纹作为一种相对较新的生物识别技术也有着独特的优点.而掌纹特征的提取和选择是整个识别中最关键的一个环节,主要利用ICA（独立主成分分析）方法对掌纹进行特征提取,实验证明,相比较PCA（主成分分析）方法,基于ICA方法具有更高的识别效率.     

基于卷积神经网络的掌纹识别

随着社会的发展,身份信息的安全问题日益凸显。为解决用户身份识别过程中受环境影响较大,以及掌纹识别时提取掌纹特征复杂的问题,本文进行了"基于卷积神经网络(CNN)的掌纹识别"的研究。运用该算法的优势在于简化了掌纹识别的前期预处理,可以直接将采集的原始图像进行输入,然后识别。通过卷积操作和最大池化操作,减少了训练参数量,大大节约了时间。最后使用Softmax分类器对结果进行分类。实验结果显示,该方法对不同人的掌纹有较高的识别率,克服了传统掌纹识别精度差,识别时间长,人工提取特征困难的缺点。     

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。     

基于掌纹、人脸在特征层融合的身份识别算法

首先利用小波变换增强掌纹、人脸图像;然后利用一种新的子空间分析方法——对角离散余弦变换和二维主元判别分析(Diagonal,Discrete Cosine Transform and Two-Dimensional Principle Component Analysis,Dia-DCT+2DPCA)相结合的算法提出了一种掌纹、人脸特征融合的识别方法;最后运用最小距离分类器进行识别。实验结果表明,该文提出的掌纹、人脸特征融合方法实现了特征层融合,有效地提高了身份识别的正确识别率。     

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。     

卷积神经网络在掌纹识别中的性能评估

目的 掌纹识别技术作为一种新兴的生物特征识别技术越来越受到广泛重视。深度学习是近10年来人工智能领域取得的重要突破。但是,基于深度学习的掌纹识别相关研究还比较初步,尤其缺乏深入的分析和讨论,且已有的工作使用的都是比较简单的神经网络模型。为此,本文使用多种卷积神经网络对掌纹识别进行性能评估。方法 选取比较典型的8种卷积神经网络模型,在5个掌纹数据库上针对不同网络模型、学习率、网络层数、训练数据量等进行性能评估,展开实验,并与经典的传统掌纹识别方法进行比较。结果 在不同卷积神经网络识别性能评估方面,ResNet和DenseNet超越了其他网络,并在PolyU M_B库上实现了100%的识别率。针对不同学习率、网络层数、训练数据量的实验发现,5×10^-5为比较合适的识别率;网络层数并非越深越好,VGG-16与VGG-19的识别率相当,ResNet层数由18层逐渐增加到50层,识别率则逐渐降低;参与网络训练的数据量总体来说越多越好。对比传统的非深度学习方法,卷积神经网络在识别效果方面还存在一定差距。结论 实验结果表明,对于掌纹识别,卷积神经网络也能获得较好的识别效果,但由于训练数据量不充分等原因,与传统算法的识别性能还有差距。基于卷积神经网络的掌纹识别研究还需要进一步深入开展。     

基于径向基函数神经网络的特征识别技术研究

特征表示和识别效率是基于神经网络特征识别技术所面临的基本问题。在研究特征拓扑结构信息的基础上，提出一种应用特征构成面及其邻接边信息构成特征编码的特征表示模型，并在此基础上，提出基于径向基函数神经网络的特征识别方法。最后，应用此方法实现了对典型加工特征的识别。     

改进的SLTP方法在掌纹识别中的应用

对掌纹识别进行研究,提出了基于改进的软直方图局部三值模式（SLTP）的掌纹识别方法。该方法先对掌纹训练样本进行能量函数的构造,然后用梯度下降法对能量函数进行优化,得到最佳的模糊隶属度函数,进而对掌纹的特征进行提取,最后用Chi概率统计的相似度度量方法进行匹配识别。在PolyU掌纹数据库和IITD掌纹数据库中进行实验验证,结果表明,在相同的训练样本下,改进的SLTP方法相比于SLTP方法,识别率得到提高。从而证明了该方法的有效性。     

利用Stein-Weiss解析函数性质的3维血管分割

目的 针对现有的血管分割方法对血管的分割精度尚有不足,尤其是对噪声等影响下的断裂血管,基于Stein-Weiss函数的解析性提出了一种新的3维血管分割算法,能够分割出更精细更清晰的血管。方法 首先,通过图像增强和窗宽窗位调节的预处理来增加血管点与背景的对比度。然后,将Stein-Weiss函数与梯度算子结合起来,把CT体数据的每一个体素都表示为一个Stein-Weiss函数,体素6邻域的灰度值作为Stein-Weiss函数各组成部分的系数。再求出Stein-Weiss函数在x、y、z 3个方向上的梯度值,大于某一个阈值时,便将此体素视为血管边缘上的点。最后,根据提取出血管边缘的2维CT切片重建出3维的血管。结果 对肝静脉的造影数据S70进行肝脏血管分割与3维重建的实验结果表明,利用该算法进行血管分割的敏感性和特异性相对于区域生长算法和八元数解析分割算法都较高。尤其是对于血管分割的去噪方面有明显优势,因此能够快速有效地分割出更清晰更精细的血管。结论 提出了一种新的血管分割算法,利用Stein-Weiss函数的解析性来提取血管的边缘,实验结果表明,此算法可以有效快速地去除血管噪声并得到更精细的分割结果。由于Stein-Weiss解析的性质可以适合任意维数,所以利用Stein-Weiss解析函数性质可以进行2维或更高维的图像边缘识别。     

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。     

基于曲面曲率和RLDA的3D掌纹识别方法

提出一种新的3D掌纹识别方法,利用掌纹曲面的3D曲率信息提高当前2D掌纹识别算法的精确度和鲁棒性。首先因曲率是3维物体的重要表征,能够与视点无关地表现曲面的局部形状,不管手掌发生旋转或者平移,曲率信息都是稳定的,因此提取3D掌纹的均值曲面曲率特征来刻画3D掌纹的曲面特征;继而获得3D掌纹映射到2D空间上的灰度图像——均值曲率图像(MCI);然后在获得的MCI上采用正则化的LDA(RLDA)方法来进行二次特征抽取,以消除传统线性判别分析(LDA)应用于识别时存在的小样本问题和优化准则函数并不直接与识别率相关等问题。实验结果表明,所提出的方法相比与传统的LDA、PCA、ICA、LPP等方法有更高的精度和速度。     

基于特征面的分层特征识别

为降低特征识别的复杂度,提出基于特征实体、特征实面和特征虚面概念的层次性特征分类方法.通过构造2类神经网络输入矩阵,利用神经网络在特征识别中所具有的优势,实现基于特征面的分层特征识别方法.实例表明：该方法在识别去除材料的特征时比较有效,但识别特征的范围受到一定限制.     

基于模糊神经网络的颜色识别方法

针对传统的CIE色度学颜色精确识别与人的颜色模糊感觉的矛盾,提出了一种基于模糊神经网络进行颜色识别的方法。该方法利用传统的色度学中的颜色三刺激的坐标值,结合模糊神经网络的聚类、无限逼近、泛化、学习等特性的优点,从而增加了适合于人的感觉的颜色识别的效果。     

基于手形交互与掌纹识别的增强现实应用

针对现有增强现实系统交互方式的不足,提出并实现了一种基于手形交互与掌纹识别的增强现实应用.提出了一种用于快速识别手形轮廓及其运动轮廓的匹配方法.利用一种改进的快速蚁群聚类算法来获取掌形的中心,建立相关的渲染坐标系,从而精确注册虚拟物体.同时,针对个性化应用需求,提出了一种能够在增强现实系统中应用的Harris快速掌纹识别算法.实验表明,识别算法具有较好的跟踪精度和实时性,能够满足增强现实系统的应用要求.