基于knn-svm的指纹分类方法研究

《基于knn-svm的指纹分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、广东工业大学硕士学位论文基于KNN-SVM的指纹分类方法研究姓名：欧阳绍聪申请学位级别：硕士专业：计算机系统结构指导教师：谭台哲20100501摘要个人身份的确认和权限的认定是生活中的一个非常重要的环节，尤其是随着网络化时代的来临，人们对安全性的要求越来越高。但是使用传统的密码认证个人身份时，密码的设置越来越繁琐，密码管理显得尤为重要。由于指纹是唯一的，终生不变的，并且是人体的一部分，无法更改和仿制，依靠指纹这种唯一性和稳定性，指纹识别被广泛应用于个人身份特征识别。在自动指纹识别系统中需要将待对比的指纹与数据库中所有指纹进行对比，从而认证个人身份。采用一一对比的规则进行指纹识别既

2、消耗计算资源又降低系统实时性，指纹分类作为常规规则应用在指纹识别系统里面，对于分解识别任务，缩小匹配范围和提高系统实时性都有很重要的意义。在指纹分类的研究中，虽然已经有很多算法提出来，但是仍存在值得研究的问题。本文将对指纹分类技术预处理，模式区域提取与规格化，特征提取与分类等问题进行研究。其中重点讨论指纹分类的研究，提出自己的处理算法。本文研究工作包括如下：1．指纹预处理，对指纹图像进行归一化处理，提取指纹脊线方向信息图，然后对指纹图像进行Gabor滤波增强，选用自适应的指纹图像滤波增强进行指纹图像增强，同传统的Gabor滤波器相比较，该方法具有产生虚假纹线少，效率高等优点。2．

3、模式区域提取与规格化，使用预处理阶段提取的脊线方向图使用Poincar6算法计算指纹中心点，并把该点作为模式区域中心，规范特征向量，提高算法分类的精确度，同时提出使用新型特征LBP直方图特征，应用在指纹分类系统。3．基于KNN-SVM的算法，本文提出使用粗细两级进行指纹分类，首先对提取的指纹特征使用K近邻算法获取k个样本，统计k个样本所属分类，粗判定待识别指纹类别为k个样本中统计数量占优的两个类别。然后引入1-a-r的SVM分类思想，对每两个指纹类别进行SVM分类器的训练，把粗分类结果输入N011练好的1．a-r的SVM分类器，进行细分类。该方法将KNN算法与SVM有效地融合在一

4、起，简化了整个指纹分类的系统框架，仅仅在细分类广东工业大学硕士学位论文的二级分类上面使用SVM，大大提高了系统分类的效率。虽然算法在系统前期SVM分类器的训练上面会消耗时间，但不影响系统进行指纹分类的性能，因为SVM分类器的训练可以在线下进行而不是临时进行的。4．最后本文基于FVC2006指纹库进行指纹分类实验，进行预处理、特征提取后，在本章进行分类，选取的样本容量以及分类正确率，总的分类正确率可以达到90．1％。总的来说本文算法具有较强的适应性能，同时对特征标准与规范化做出了定义，提高系统分类的精度。简化了指纹分类过程中使用SVM数目，提高了指纹分类的实时性。关键词：指纹分类、

5、指纹方向信息、指纹增强、局部二值模式、KNN．SVMABSTRACTIndividualauthenticationandauthenticationserviceisaveryimportancelinkinpeople’Sdailylife．Especiallywiththeinternetagearrived，peoplehaveanincreasingdemandonsecurity．ButwhileWeusethetraditionalpasswordtodoinganindividualauthentication,Wewillbebotheringwithnlore

6、andmorecomplicaterulestosetupourpasswords，80passwordmanagementbecon舱thespecialimportance．Becausethefingerprintisunique，lifelonginvariantandpartofthebody,itcan’tbealteredandcopied,relyingontheuniquenessandsteadiness，fingerprintiswidelyapplyingonindividualauthentication．Inanautomaticfingerprint

7、identificationsystem(AFIS)，itneedstomatchtheinputfingerprintwiththefingerprintsinthedatabase．Ifwedothismatchingwithallofthefingerprintsinthedatabase,itnotonlyconsumescomputationresouroe，butalsoreducesreal-timeperformanceofAFIS．Itissignificant