基于曲波变换决策融合的掌纹识别.pdf

《基于曲波变换决策融合的掌纹识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第三十卷第三期楚雄师范学院学报Vol.30No.32015年3月JOURNALOFCHUXIONGNORMALUNIVERSITYMar.2015基于曲波变换决策融合的掌纹识别*王新春，程满，刘渝民，岳开华（楚雄师范学院物理与电子科学学院，云南楚雄675000）摘要：用曲波变换提取出掌纹图像在不同尺度下的图像特征，通过降维处理的主成分分析（PCA）方法，由径向基函数网络训练或判决，按照用户的要求，选择不同的决策规则，对各种尺度下的识别结果进行融合，可达到较高的掌纹识别率。关键词：曲波变换；径向基函数；决策融合；掌纹识

2、别中图分类号：TP183文章标识码：A文章编号：1671-7406（2015）03-0016-05［1，2］曲波变换（Curvelettransform）是一种最稀疏的表示曲线方法。它结合了脊波变换各向异性的特点和小波变换多尺度的特性，在对图像进行分析过程中，能够表达更多的图像特征信息。曲波变换是一种多分辨，带通，多方向的函数分析方法。具备生理学研究所指出的“最优”图像表示方法应该具有的三种特征。能够从不同的视觉层次提取出不同尺度下的图像信息。［3］径向基函数（RadialBasisFunction，RBF）是多维空

3、间插值的传统技术，其结构简单，训练简洁，收敛速度快，能够逼近任意非线性函数。因此，被广泛应地用于模式识别和图像处理领域。［4，5，6］一般基于图像非频域特征检测方法都没有充分的利用好掌纹的图像信息，本文采用曲波变换对掌纹图像提取出不同尺度下的图像信息，仿照人眼生理判决的方式在每个尺度下分析图像信息的特征，用径向基网络进行训练或判决，最后根据不同要求将每层的识别结果选择决策融合的方式来灵活地进行掌纹识别。［7］1.第二代Curvelet变换［8］曲波变换是加二进制正方形窗的脊波变换，即将曲线细分成足够短的近似直线后进行

4、脊波变换。然而这样的变换存在很大的数据冗余性。因此，对第一代曲波变换进行改进，可得到第二代曲波变换，其运算速度更快，冗余性更小。2首先在二维空间R中，定义x为空间位置参量，w为频域参量，r、θ为频域极坐标。W（r）和V（r）分别为平滑非负的“半径窗”和“角窗”，同时要满足容许条件：∞2j∑W（2r）=1，r∈（3/4，3/2）（1）j=-∞∞2j∑V（2r）=1，r∈（-1/2，1/2）（2）j=-∞对所有尺度j≥j，定义它的傅里叶频域窗为：0j/2-3j/4-12θU（r，θ）=2W（2r）V（3）j()2π其中，

5、骔j/2」表示j/2的整数部分。*资助项目：楚雄师院后备人才资助项目，项目编号：11YJRC21。收稿日期：2015-01-12作者简介：王新春（1970—），男，教授，研究方向：无线计算机网络、泛在无线传感器网络及非对称轮询系统控制技术。·16·楚雄师范学院学报2015年第3期王新春，程满，刘渝民，等：基于曲波变换决策融合的掌纹识别22频率域曲波变换可定义为φj，l，k和f∈L（R）的内积，即：（cj，l，k）=〈j，φj，l，（kx）〉=∫R2（fx）φj，l，（kx）dx（4）1∧1∧（j，l）（cj，l，k）

6、：=2∫（fw）φj，l，（kx）dw=2∫（fw）U（jRθLw）ex［p〈ixk，w〉］dw（5）（2π）（2π）与小波理论一样，曲波也包括粗尺度和精尺度下的成分。引入一个低通窗口W0，满足：12︳W（0r）︳+∑︳W（0r）︳=1（k1，k2）∈Z（6）j≥0定义粗尺度下的曲波为：（x）=φ（x-2-j0k）φj，kj00（7）﹛∧φ（w）=2-j0W（2-j0︳w︳）j00所以粗尺度下的曲波不具有方向性。整个Curvelet变换是由精尺度下的方向性元素和粗尺度下各向同性的小波组成的。曲波变换得到的系数分布：层

7、数越高包含的图像高频信息和噪声就越多；每一个层内系数的数量级是相同的，而在不同角度矩阵里系数分布还是有差别的。虽然粗尺度下的曲波系数分布不具有方向性，但精尺度下的系数是在图像的频域里通过带通滤波得到的，以方向块为矩阵来存储。图1是对一幅掌纹图像进行curvelet变换，得到各层的特征系数，单独取出后进行逆curvelet变换得到的图像。（a）一幅掌纹图像（b）第一层的特征图（c）第二层的特征图（d）第三层的特征图（e）第四层的特征图图1掌纹图像经过Curvelet变换后提取的每层的特征图像2.Rbf神经网络［9］一般

8、情况下，RBF神经网络由三层构成：第一层为输入层，由信号源节点构成；第二层为隐含层，隐单元的个数由所描述的问题来确定，隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用做出响应。TT设训练样本集X=［X1，X2，…，XN］，其中任一训练样本X=［Xk1，Xk2，…，XkN］，对应的实TT际输出为Y=［Y