手部特征识别及特征级融合算法研究

论文摘要

生物特征识别是利用人独特的生理与行为特征来进行自动身份鉴别的技术，是解决社会信息化、数字化、网络化发展中安全问题的首选方案。多模态生物特征识别利用多种生物特征，可以提高系统的准确率、抗噪性、普适性、抗假冒攻击性能，减小大库性能衰减程度，实现更为鲁棒的系统，近年来受到广泛的重视，新应用与新算法不断涌现。如何构建低成本、低数据库复杂度、高用户接受度的系统，深入研究多模态融合层次、策略、算法等已是新的热点问题。 本文提出的手部特征包括掌纹、指横纹与手形特征，在单一模态生物特征研究的基础上，总结已有的特征级融合算法并借鉴决策级融合思想，提出基于关系度量的特征级融合方法（RMF）。以实现实用系统为目标，对融合基础理论展开研究，优化手部特征融合系统并进行实验评估，主要内容如下： 1．提出手部特征的概念。使用手部特征进行身份鉴别符合人的传统观念，可在避免用户接受度、成本与数据库管理等各方面问题前提下，实现多模融合系统。为充分利用手部图像中的生物特征，本文通过掌纹、指横纹与手形融合实现系统，并将之定义为狭义的手部特征。在比较分析当前的多模数据库及以往掌纹、手形的采集方法的基础上，本文采用数码相机进行手部图像采集并建立HA-BJTU数据库。 2．在掌纹识别的研究中，论文从克服高维、小样本问题的角度出发，提出采用子空间分析方法提取掌纹特征：针对二维主成分分析特征仍处于高维空间的问题，提出进一步去除图像列相关，得到改进二维主成分分析（I2D-PCA）算法；针对小样本问题，提出使用正切子空间方法建立基于GMM的类内变化统计模型，并通过实验证实其有效性。在此基础上，使用I2D-PCA得到正切子空间，进一步提升识别准确率。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 综述
• 1.1 课题研究背景及意义
• 1.2 多模态生物特征识别研究概述
• 1.2.1 多模态生物特征识别研究历程
• 1.2.2 多模信息融合系统结构与层次划分
• 1.3 手部特征定义与相关研究
• 1.3.1 手部特征的定义
• 1.3.2 手部特征溯源
• 1.3.3 掌纹与手形识别算法研究进展
• 1.4 手部图像数据库
• 1.4.1 多模态生物特征识别数据库
• 1.4.2 手部图像采集设备
• 1.5 论文的主要内容及结构安排
• 第二章 基于子空间分析的掌纹识别算法研究
• 2.1 引言
• 2.2 掌纹图像预处理
• 2.2.1 掌纹ROI的提取
• 2.2.2 掌纹灰度调整与归一化
• 2.3 基于线性变换的掌纹识别
• 2.3.1 基于线性变换的掌纹特征提取
• 2.3.2 三种算法的理论分析
• 2.3.3 特征有效性指标
• 2.3.4 实验结果与分析
• 2.4 基于改进二维主成分分析方法的掌纹识别
• 2.4.1 改进二维主成分分析（I2D-PCA）方法的定义
• 2.4.2 I2D-PCA的实现方法
• 2.4.3 重构效果与算法物理意义
• 2.4.4 实验结果与分析
• 2.5 基于GMM的正切子空间在掌纹识别中的应用
• 2.5.1 切空间距离
• 2.5.2 类内差距子空间的实现
• 2.5.3 正切空间概率密度函数
• 2.5.4 基于最大似然的分类器设计
• 2.5.5 实验与分析
• 2.6 本章小结
• 第三章 新手部特征——指横纹识别算法研究
• 3.1 引言
• 3.2 指横纹特征发现
• 3.2.1 基于PCA的手指灰度图像识别
• 3.2.2 实验结果分析
• 3.3 基于Gabor滤波和互相关点匹配的指横纹认证算法
• 3.3.1 指横纹预处理
• 3.3.2 基于Gabor滤波的指横纹特征提取
• 3.3.3 指横纹特征匹配
• 3.4 实验结果与讨论
• 3.4.1 匹配算法参数的确定
• 3.4.2 中指指横纹认证实验
• 3.4.3 其它手指对应指横纹测试
• 3.5 本章小结
• 第四章 基于关系度量的特征级融合方法
• 4.1 引言
• 4.2 决策级融合算子
• 4.2.1 决策级融合算子的理论依据
• 4.2.2 独立性假设的测试
• 4.3 基于关系度量的特征级融合方法
• 4.3.1 基于PCA子空间的特征串连融合带来的启示
• 4.3.2 基于关系度量融合方法的构成
• 4.4 已有算法与关系度量方法的联系
• 4.4.1 Fisher准则下串连算法的解释
• 4.4.2 基于广义PCA、FLD变换的特征融合算法
• 4.4.3 广义的特征并连算法
• 4.4.4 基于典型相关分析的串连融合算法
• 4.4.5 基于核矩阵的特征融合算法
• 4.4.6 特征级融合方法的讨论
• 4.5 基于RMF的指横纹特征级融合认证算法
• 4.5.1 基于RMF的指横纹特征融合的实现
• 4.5.2 实验结果与分析
• 4.6 本章小结
• 第五章 基于KPCA的手部特征融合及跟踪识别系统实现
• 5.1 引言
• 5.2 基于KPCA的手部特征融合算法
• 5.2.1 KPCA算法
• 5.2.2 基于KPCA的特征级融合
• 5.3 实验结果与讨论
• 5.3.1 实验设置
• 5.3.2 基于KPCA的手部特征融合实验
• 5.3.3 融合算法效果的实验对比
• 5.4 基于KPCA的手部特征实时跟踪识别系统
• 5.4.1 基于CAMSHIFT的手部图像检测跟踪
• 5.4.2 掌纹、中指定位与预处理
• 5.4.3 系统实现与测试
• 5.5 本章小结
• 第六章 结论
• 6.1 本文的主要研究成果
• 6.2 下一步拟进行的研究工作
• 6.3 结束语
• 参考文献
• 攻读博士期间完成的论文
• 致谢