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。     

基于小波分解的独立分量掌纹识别方法

独立分量分析方法在图像处理中具有独特的优势，用于掌纹特征提取，使得变换后的各分量之间不仅互不相关，而且还尽可能的统计独立，能更全面的揭示掌纹特征间的本质结构。为了降低运算复杂度，提出了一种基于小波分解的独立分量掌纹特征提取方法。首先对掌纹图像做小波变换进行降维，在保留原始图像轮廓信息和细节信息的基础上，去掉高频噪声，然后进行独立分量分析，采用FastICA算法，试验结果表明,本方法比传统的独立分量分析方法的识别率更高，且计算量大大减少。     

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.     

基于小波分解和高低帽变换的在线掌纹识别*

用于身份鉴别的掌纹识别为信息安全提供一种新的方案。为减少对图像采集的限制,本文提出在小波变换的基础上,利用高低帽变换寻找低频子图像中的灰度槽,获取对比度增强的图像。把此子图像所有的变换值组合起来作为图像的特征向量以用于识别。运用UST掌纹图像库,对本文算法进行了测试。从实验的结果看,此方法解决了在线掌纹图像低对比度问题,图像识别率得以提高。证明此方法能够满足对采集图像无过多要求的认证系统的使用。     

基于多种采样方式和Gabor特征的表情识别

设计一种表情识别系统,采用多种采样方式和不同尺度的局部Gabor滤波器,通过主成分分析与线性判别分析对人脸表情识别系统进行特征优化选择。该系统大幅缩减特征提取及分类的时空需求量,表情识别率也有所提高。对原始图像沿垂直方向采样识别效果说明人脸垂直方向包含更多的表情信息。实验测试结果表明,Gabor变换后的人脸表情主要特征信息在不同的尺度和方向上具有集中性和冗余性,小尺度全方向的滤波器组能获得更好的识别性。     

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。     

基于Gabor小波变换的人脸表情识别

对基于Gabor小波变换的人脸表情识别方法进行了研究.对图像进行预处理以提高后续处理的准确度,通过分析二维Gabor小波变换的优点和人脸表情特征的变化情况,利用二维Gabor小波变换提取脸部表情特征,使用弹性模板匹配算法来识别图像中的人脸表情.实验结果表明,这种方法与传统的识别方法相比,系统具有很好的鲁棒性,达到较高的识别率.     

基于平稳小波变换的掌纹特征提取与识别

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。论文基于图像的多尺度分析的思想,提出了一种利用平稳小波的局部极值点来提取掌纹特征的方法。文中利用平稳小波变换,对图像进行不同方向的滤波,然后提取各方向的极值点并融合作为特征点。并以此为基础进行不同掌纹的匹配识别。     

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。     

基于Gabor特征量和核函数判决分析方法的人脸识别

研究了基于Gabor特征量和核函数判决方法的人脸识别方法,即首先利用Gabor滤波器组对输入样本进行处理,获得Gabor特征量;然后利用核函数判决方法实现人脸识别。Gabor滤波器组通过提取具有空间频率、空间位置和取向选择性的特征,较好克服了实际中由于表情和光照不同带来的变化;而核函数判决分析方法具有提取输入样本空间的非线性最佳鉴别特征的优点。实验仿真表明了该方法的有效性。     

基于小波域PCA与LDA相结合的红外人脸识别方法*

提出了一种新的小波域主元分析与线性辨别分析相结合的红外人脸识别方法。首先通过DWT将红外人脸图像通过二级小波分解成七个子带,舍去两次分解中的对角子带,对剩下的五个子带进行有效的组合;然后用PCA方法对组合后的向量进行特征提取,再把PCA提取的特征向量进行线性辨别分析;最后用欧氏距离和三近邻分类器得到分类结果。同传统的PCA和PCA LDA的方法相比,该方法更能利用人脸图像的有用判别信息,并得到更好的识别效果。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

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。     

结合Gabor变换和FastICA的人脸表情识别方法

提出了一种结合Gabor变换和FastICA技术的人脸表情特征提取方法。Gabor小波具有很好的空频局部性和多方向选择性,因此更有利于表情细节信息的提取。FastICA技术能够消除信号间的高阶统计冗余。对图像进行Gabor变换,把得到的系数排列成Gabor特征矢量,用FastICA对Gabor特征矢量进行特征提取,用K-近邻分类器进行分类。JAFFE表情库中的实验证明该方法的有效性。     

应用小波变换和支持向量机的掌纹识别

提出了一种新颖的掌纹识别方案。应用两维的两通道和三通道小波变换来得到低频子带图像,然后将其系数作为特征进行提取。再选择支持向量机（Support Vector Machine,SVM）作为分类器。实验结果证明了这是一个简单而有效的识别方案,正确识别率可达100％。     

基于Gabor小波变换的人脸表情识别技术研究

为了使人机交互得到更好的研究,提出了一种基于Gabor小波变换的人脸表情识别的新方法;首先对图像进行预处理以提高后续处理的准确度,预处理包括确定纯的人脸表情区域,尺寸和灰度归一化,然后对表情子区域进行Gabor小波变换,提取表情特征矢量,进而构建表情弹性图,最后用模板匹配的方法来识别图像的人脸表情;经过实验,发现Gabor小波变换提取特征时受光照影响比较小,该系统不仅具有很好的鲁棒性,并且速度快,识别率高。