VO图像分解模型的模糊掌纹识别方法

针对掌纹图像在进行非接触式采集时易产生离焦模糊图像,从而导致系统识别性能降低的问题,提出了基于VO图像分解模型的模糊掌纹识别方法.首先建立高斯离焦退化模型模拟图像的模糊过程,通过对模糊原理的研究与分析得出在图像模糊过程中存在稳定的特征,这种特征从图像层次结构划分可表现为图像的结构层;然后使用VO图像分解模型得到模糊掌纹的结构层图像;为了提高特征的可区分性,采用分块的梯度方向直方图提取结构层中的稳定特征;最后采用归一化相关性分类器度量特征间的相似度.在清晰PolyU掌纹库和模糊PolyU掌纹库上进行测试的实验结果表明,该方法在不同掌纹库上获得较优的识别精度,且识别结果较为稳定;在模糊PolyU掌纹库中的等错误率最小可达0.309 1%,优于传统高性能掌纹识别方法;且进行一次身份辨识的时间小于1.3s,满足实时性要求,表明了该方法的有效性和优越性.     

刚性变形成像条件下掌纹识别方法研究

目前广泛使用的掌纹图像采集装置是非接触式,这种方式适应了掌纹识别生活化的实用要求。但是构成了不稳定的成像环境,拍摄过程中会产生平移、旋转、扭曲,我们将这些不会影响掌纹线结构特征的变形称之为刚性变形。本文从手掌长度和宽度两个角度衡量掌纹图像刚性变形程度,设计了一种归一化校正方法。建立不同变形程度的掌纹图库,对掌纹特征匹配结果进行比较实验;实验结果表明,这种方法能够降低由于刚性变形对识别率产生的影响。     

基于视觉传达的多维彩色图像模糊区域特征识别方法

为了提高多维彩色图像的检测识别能力,提出一种基于视觉传达的多维彩色图像模糊区域特征识别方法。构建多维彩色图像模糊区域特征匹配模型,采用模板匹配方法进行多维彩色图像的多尺度结构二值模式分割处理,对分割后的彩色图像利用视觉传达方法进行模糊区域特征提取,获得适应于图像识别表达的像素特征集,采用零均值化的图像滤波方法进行多维彩色图像降噪处理,提高多维彩色图像模糊区域特征检测和识别能力,结合图像的旋转不变性和灰度不变性,实现多维彩色图像模糊区域特征识别。仿真结果表明,采用该方法进行多维彩色图像模糊区域特征识别的准确性较高,特征匹配能力较强。     

基于二维双向FLD的掌纹识别方法

采用二维双向Fisher线性判别分析对掌纹图像进行特征提取,即通过在水平和垂直2 个方向上各执行1 次二维Fisher线性判别分析,能消除掌纹图像行和列的相关性。运用Fisher准则选取更适合于分类的矩阵分量,将特征信息压缩到图像矩阵的左上角,缩小了特征的维数。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.     

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。     

一种掌纹图像感兴趣区域的提取方法

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。从一幅掌纹图像中,找出感兴趣的目标区域（ROI）,使之从图像背景中分离出来,这是掌纹特征提取和进行进一步匹配的关键步骤。论文提出一种新的感兴趣区域的提取方法：首先使用全局阈值对原掌纹图像进行二值化处理,并提取出手掌的边缘,然后使用食指和中指、无名指和小指之间的指缝确定一个斜率,再计算出手掌部分的中心,并据此建立一个新的坐标系,最后以此坐标系原点为中心提取出一个128×128的感兴趣区域。实验结果证实了该方法与相关文献所提方法相比更加有效。     

一种新颖的低分辨率条件下的掌纹识别方法

掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术。当今的掌纹识别方法存在的比较困难的问题之一就是在特征提取时受一些客观因素制约 ,影响后面的匹配精度。为此 ,提出一种改进的基于相位相关的掌纹图像匹配算法。该算法不受光照、平移的影响 ,对噪声也有很好的鲁棒性。在此基础上实验了该算法在不同分辨率下的表现 ,发现当分辨率降为原图像的十六分之一时 ,该算法仍然能取得较高的识别率 ,证明了该算法在较低分辨率下的有效性。     

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。     

基于局部非负稀疏编码的掌纹识别方法

为了更有效地提取出图像的局部特征,在传统的非负稀疏编码(Hoyer-NNSC)算法的基础上,提出了一种新的具有稀疏度约束的局部NNSC (LNNSC)算法。该算法考虑了特征基向量的稀疏度约束和特征的最大化代表性,能够得到强化的图像局部特征;同时利用拉普拉斯密度模型作为特征系数的稀疏惩罚函数,保证了图像结构的稀疏性。在特征提取的基础上,进一步利用径向基概率神经网络(RBPNN)分类器,实现了掌纹的自动识别。仿真实验结果表明,与基于非负矩阵分解(NMF)、局部非负矩阵分解(LNMF)和Hoyer-NNSC的掌纹识别方法相比,该算法在掌纹识别研究中有较高的可行性和实用性。     

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。     

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。     

掌纹识别中的尺度不变特征转换改进算法

针对在低分辨率掌纹图像中,传统尺度不变特征转换算法易产生误匹配的问题,提出一种用于掌纹识别的改进尺度不变特征转换算法。根据局部匹配的思想,结合欧氏距离及加权子区域匹配方法对图像进行匹配,计算得出的相似度能反映图像的局部与全局特征。仿真实验结果证明,改进的尺度不变特征转换算法比原算法具有更高的识别率。     

基于GIDBC的掌纹识别算法研究

针对采用分形维数作为特征描述掌纹信息不准确的问题,对差分盒子维进行改进提高特征区分性.此外,由于采用单一的特征不足以描述掌纹纹理,引入Gabor变换,提出一种基于Gabor变换与改进差分盒子维(GIDBC,Gabor improved differential box counting)相结合的掌纹识别算法.通过在PolyU掌纹图像库上实验,与传统高性能算法比较,本算法识别率最高可达到99.78％,表明了本文方法的有效性,同时特征提取与匹配时间为338 ms,满足实时性要求.     

一种新的基于区域特征的快速步态识别方法

步态是生物特征识别领域的一个新兴热点，它有以下3大优势：远距离识别、非侵犯性和难于隐藏。由于当前提出的大量步态特征提取算法要么过于复杂，要么识别率不高，难以满足自动步态识别的需要，因此，为了进行准确快速的步态识别，提出了一种新的基于区域特征的快速步态识别方法。该方法首先将检测出的2维人体侧影分为头部、躯干和腿部3个区域；然后分别提取每个区域的目标面积；最后将这些面积特征和人体的宽高比特征一起构成步态特征矢量用于训练和识别。此外，还改进了一种新的N—best分类器，该分类器在一定程度上提高了算法的识别率。实验结果表明，该新方法不仅简单快速，而且在UCSD和CMU数据集上分别得到了90％和98％左右的高识别率。