掌纹识别关键算法的研究

论文摘要

掌纹是手掌内部表面上所有纹线的通称,包括主线、褶皱以及乳突纹等。这些纹线具有稳定性、唯一性等特点,使掌纹成为一项重要的、可用于身份识别与验证的生物特征。同时,掌纹识别技术具有所需图像分辨率较低,系统成本低廉,用户可接受程度高等显著优点,因而成为业界广受关注的研究热点问题。经过十多年广泛的研究,掌纹识别在理论和实践方面都有了一定的基础。特别是在掌纹图像的预处理及分割阶段,方法相对较多且比较成熟。而识别算法相对薄弱,由于掌纹特征比较复杂,纹线深浅、方向变化无明显规律性,并且掌纹图片的变化与变形因素较多,包括位移、旋转、变形、手掌中心三角结构引起的阴影等,严重影响了识别的性能。因此本文主要针以上问题,在深入研究现有掌纹识别算法的基础上,从掌纹的子空间分析、特征融合以及掌纹纹理特征等多方面提出准确性高、性能稳定的掌纹识别算法,主要贡献如下:1)提出基于改进的二维局部保留映射（I2DLPP）的掌纹识别算法。与传统的基于表观的子空间方法不同,2DLPP是基于图像空间内部流形结构的算法,但是基于整幅图像的最近邻图却未能模拟图像内部的流形结构。因此,本算法提出了基于列的最近邻图的概念,即将图像的每一列作为最近邻图的节点,旨在保留详细的隐藏在图像空间的局部流形信息,可以较好地反映图像内部结构的关系,识别精度因而提高。同时,为有效降低计算复杂度与最终表征图像的特征维数,提高识别效率,提出在行方向与列方向上分别进行2DPCA和2DLPP的双方向投影。实验结果证明了算法的有效性和稳定性。2)提出基于整体与局部特征融合的掌纹识别算法。掌纹图片的整体特征可以反映掌纹的主体信息,局部特征具有明显的区分性,将两者融合可以克服掌纹图片的局部性以及非均匀性对识别性能的影响。掌纹的频率域整体特征由本文提出的基于Gabor特征的（2D）2PCA（GB（2D）2PCA）提取。该算法是将不同尺度与方向的Gabor滤波器提取较为完整的频率特征组成高维的Gabor特征空间,然后利用（2D）2PCA对空间的两个方向同时降维,提取图像最佳的表示特征。这种算法能够有效地增强对采集环境变化的鲁棒性,与单独使用的Gabor算法或子空间算法相比,GB（2D）2PCA明显提高了掌纹识别的精度和效率。掌纹的空间域局部特征由NMFSc提取,基于整体与局部特征融合过程是用零-均值法将两种算法GB（2D）2PCA与NMFSc得到的匹配距离归一化,然后用加权和法得到最终匹配距离进行识别。由于两类特征互补性较强,基于整体和局部特征融合算法可明显提高正确识别率;同时,两类子空间算法易于实现,融合策略简单,无需额外的训练时间,识别效率未受到影响。3)提出基于Gabor局部相对特征的掌纹识别算法。Gabor滤波器的参数涉及尺度和方向特征,具有良好的不变性。局部相对方差是将Gabor变换后的图像分成两层子块后,下层值域子块与上层定义域块之间方差的差值,并不直接涉及图像的灰度值,所有下层值域子块的相对局部方差组成表征图像的特征向量。由于Gabor滤波器的不变特性和提取的相对特征比较稳定,减弱了图像的尺度、位置变化以及变形带来的不利影响,算法的识别精度明显高于其它基于Gabor特征的算法。并且,特征提取以及匹配阶段仅涉及基于块的简单运算与一阶Manhattan距离,算法的效率较高。4)提出基于Contourlet局部分形维数（CLFD）的掌纹识别算法。分形维数是表示图像纹理粗糙程度的参数,不受绝对像素灰度值的影响,具有较强的鲁棒性。本文首次将分形维数独立用于掌纹识别,避免耗时的分形编码过程,能够满足实时系统的要求。同时,Contourlet具有高度的方向性、多尺度上的各向异性和时频局部特性,可以提取相对稳定的掌纹纹理特征,因此对掌纹图像的变化和变形有较强的鲁棒性,可获取较高的识别精度。算法的效率可由微分盒计数法DBC计算分形维数以及Manhattan距离作为相似测度保证。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 第1章 综述
• 1.1 课题研究背景及意义
• 1.2 生物特征识别与掌纹识别技术
• 1.2.1 生物特征识别
• 1.2.2 掌纹识别技术
• 1.3 掌纹识别算法的研究现状
• 1.3.1 基于掌纹结构特征的识别算法
• 1.3.2 基于掌纹纹理特征的识别算法
• 1.3.3 基于子空间特征的识别算法
• 1.3.4 基于特征融合的识别算法
• 1.3.5 基于分层的识别算法
• 1.4 课题来源及主要研究内容
• 1.4.1 课题来源
• 1.4.2 主要研究内容
• 第2章 掌纹识别技术理论
• 2.1 掌纹识别的基本原理
• 2.1.1 掌纹识别的工作模式与主要功能模块
• 2.1.2 掌纹识别算法的性能评价
• 2.2 相关理论基础
• 2.2.1 SVM的简介
• 2.2.2 分形学基础
• 第3章 基于子空间特征的掌纹识别算法
• 3.1 引言
• 3.2 2DLPP算法
• 3.3 I2DLPP算法
• 3.4 实验与结果分析
• PalmprintDBⅠ数据库原始图像'>3.4.1 BJTU_PalmprintDBⅠ数据库原始图像
• PalmprintDBⅡ数据库Gabor特征'>3.4.2 BJTU_PalmprintDBⅡ数据库Gabor特征
• 3.4.2 I2DLPP与SVM分类器
• 3.5 小结
• 第4章 基于整体与局部特征融合的掌纹识别算法
• 4.1 引言
• 2PCA）'>4.2 整体特征的提取（GB（2D）²PCA）
• 4.2.1 特征空间的组成
• 4.2.2 特征空间的降维
• 4.3 局部特征的提取（NMFSc）
• 4.4 融合过程
• 4.5 实验与结果分析
• 2PCA的验证'>4.5.1 GB（2D）²PCA的验证
• 4.5.2 NMFSc参数的设置
• 2PCA与NMFSc融合算法的验证'>4.5.3 GB（2D）²PCA与NMFSc融合算法的验证
• 4.6 小结
• 第5章 基于纹理特征的掌纹识别算法
• 5.1 引言
• 5.2 基于Gabor局部相对特征的掌纹识别
• 5.2.1 图像的分解
• 5.2.2 图像的两层分块
• 5.2.3 局部相对方差
• 5.2.4 实验与结果分析
• 5.3 基于Contourlet局部分形维数掌纹识别方法
• 5.3.1 Contourlet变换
• 5.3.2 掌纹的Contourlet分解
• 5.3.3 微分盒计数法与局部分形维数
• 5.3.4 分类与辨识
• 5.3.5 实验与结果分析
• 5.4 小结
• 第6章 结论
• 6.1 本文的主要研究成果
• 6.2 对今后工作的展望
• 参考文献
• 攻读博士学位期间发表的学术论文
• 学位论文数据集