资源描述：
《掌纹图像多级特征提取与识别算法研究.docx》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、掌纹图像多级特征提取与识别算法研究掌纹识别作为一种相对较新的生物特征识别技术成为近年来的研究热点。一般来讲,掌纹识别技术与掌纹图像类型密切相关,而掌纹图像具有典型的多样性特点。按照分辨率来分,掌纹图像可以分为低分辨率图像和高分辨率图像;按照采集方式来分,掌纹图像可分为接触式的掌纹图像和非接触式掌纹图像;按照维度来分,掌纹图像可分为二维(2D)掌纹图像和三维(3D)的掌纹图像。不同类型的掌纹图像凸显的掌纹特征也不尽相同,比如,低分辨率掌纹图像主要描述掌纹的线和纹理特征,高分辨率掌纹图像凸显掌纹的细节点特征,而3D掌纹
2、图像则主要表示掌纹表面的结构信息。因此,有必要针对不同类型的掌纹图像设计不同的掌纹特征提取和识别方法。本文首先将掌纹图像系统地划分为四种类型:低分辨率接触式掌纹图像,低分辨率非接触式掌纹图像,高分辨率掌纹图像和3D掌纹图像。然后针对四种类型的掌纹图像,分别深入研究它们的特点并设计相应的掌纹特征提取和识别方法。本文的工作主要包括以下四个方面:(1)针对低分辨率接触式掌纹图像识别,提出了一种基于相邻方向指示的掌纹识别方法和一种基于半方向的掌纹识别方法。掌纹方向特征广泛应用在低分辨率掌纹图像识别当中。然而,传统的基于方向
3、特征的掌纹识别方法提取掌纹的单方向特征对旋转和噪声较敏感,且忽视了掌纹中的多方向特征。本文提出的基于相邻方向指示特征具有较好的旋转和噪声鲁棒性,且能有效的表示掌纹图像中的多方向特征。此外,传统方法提取掌纹方向特征时都是基于一个墨守成规的假设,即掌纹图像中的方向特征都是沿着直线方向。然而,实际掌纹图像中的线大多为弧线甚至折线,所以基于直线方向的方法无法准确的描述掌纹中弧线和折线上的点的方向特征。因此,本文又提出了一种基于双半方向掌纹图像表示方法,使用双半方向编码能够准确的描述掌纹中曲线点的方向特征。(2)提出了一种基
4、于低秩表示和主线距离融合的非接触式掌纹图像识别方法。非接触式掌纹图像是手掌在相对自由的环境下采集得到,因此非接触式掌纹图像易受手掌摆放姿势以及外界光照影响。本文将来自不同手掌的非接触式掌纹图像看成是来自不同子空间的样本点,并引入低秩表示方法来表示非接触式掌纹图像。低秩表示方法不仅能够很好地区分来自不同类的样本,而且还具有较好的降噪性能。主线是掌纹图像中最稳定的特征且通常能够准确提取出来。本文提出的基于主线距离约束低秩表示方法能够有效地克服非接触式掌纹图像类内多样性以及外界光照和噪声影响,有效地提高非接触式掌纹图像的
5、识别正确率。(3)高分辨率掌纹图像中包含了掌纹细节特征点特征,同时分布了大量的皱线。这些皱线严重干扰了掌纹图像中脊线分布并产生大量假性细节特征点。本文利用邻域脊方向一致性来修正掌纹脊方向特征,并基于修正的脊方向设计了一种改进的Gabor滤波器来增强预处理掌纹图像,从而有效降低了掌纹图像中假性细节特征点的数量。此外,在特征匹配阶段,本文提取了一种基于掌纹主导脊线方向旋转对齐方案,有效地提高了掌纹图像的匹配效率。(4)提出了一种2D方向特征和3D曲面类型特征融合的3D掌纹识别方法。3D掌纹图像存储的是掌纹表面丰富的深度
6、信息,同时3D掌纹图像的曲率信息蕴含了掌纹的2D纹理信息。针对3D掌纹图像的2D纹理信息,本文提出一种增强竞争编码方法来提取掌纹的方向特征,同时提取方向特征的稳定性信息,利用稳定性信息可以有效提高方向特征的匹配效率。针对3D掌纹图像的曲面结构信息,本文采用基于块的曲率类型直方图来描述掌纹的3D特征。最后将增强竞争编码和曲率类型直方图向量融合,有效地提高了3D掌纹图像的识别效率。综上所述,本文首先系统地将掌纹图像分为四种类型,然后深入分析四种类型的掌纹图像特点,并提出了相应的掌纹图像的特征提取和识别方法,并取得较好的
7、识别效果。
