您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
掌纹图像在身份别和认证中的应用.pdf67页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：180 &&
掌纹图像在身份别和认证中的应用.pdf
你可能关注的文档：
··········
··········
摘要 摘要 作为对现有人体生物特征识别技术的重要补充，对掌纹识别算法的研
究具有重要的现实意义，是一项具有挑战性的研究课题。 在借鉴其它生物特征识别技术的基础上，本文在特征提取环节提出了
三种算法： 1 采用小波变换对掌纹图像进行多分辨率分析，并定义了一种用于掌
纹识别的纹理特征一小波能量特征 WaveletEnergy
成掌纹的主线和皱纹线具有天然多分辨率的特性，对较粗较强的主线进行
低分辨率分析，对较细较弱的皱纹线则进行高分辨率分析。 2 利用Gabor滤波器组对掌纹进行多尺度滤波，提取每个方向子带的均
值和方差特征，并采用绝对值距离衡量特征向量间的差异。在基于Gabor纹
理特征的基础上，借鉴分级检索的思想，先采用Gabor滤波器提取掌纹的全
局能量特征，后采用LBP算子提取局部纹理特征实现两次分类。 3 提出了一种融合能量与方向两级特征的掌纹识别方法，通过不同方 向不同尺度的多通道滤波，对得到的各个方向子带进行模糊分块，计算每
-4,块区域的能量，在同一尺度不同方向上找出能量最大的区域，并标记
此区域对应的Gabor方向。采用格雷码对方向特征进行编码，分别计算能量
特征的欧氏距离和方向特征的汉明距离，最后将两种距离按权相加。 本文对每种算法的性能都进行了讨论，并利用Manab语言实现了一个基
于Gabor纹理的脱机掌纹识别系统试验平台，通过对各种算法性能的对比，
为进一步的研究提供了方向和经验。
关键词生物特征；掌纹识别；多分辨率；Gabor；LBP；特征提取 燕山大学工学硕士学位论文 Abstract As an ofthecurrent important recognition complement technologiesby Mome埘c researchon identificationis
using features，the palmprint very isa task
正在加载中，请稍后...工具类服务
编辑部专用服务
作者专用服务
基于决策级的掌纹掌静脉融合算法研究
针对单一模态的生物特征识别系统存在固有的缺点，本文提出一种新的基于决策级的掌纹掌静脉融合的算法，并利用此算法实现了一套掌纹掌静脉认证系统。　　这套系统主要有以下几个特点：　　首先，自行设计了一个非接触式掌纹掌静脉采集系统。采集系统的特点主要有以下几个方面：第一，系统采用双摄像头，第一摄像头是用来捕捉可见光图像的，即掌纹图像。而第二个摄像头是用来捕捉红外图像的，即手掌静脉图像。这个采集器并不需要专门的红外传感器图像的成像系统。用的是普通摄像头和滤光片，所以设计简单，成本低。第二，系统设计为非接触的采集方式。不但干净卫生，人性化，而且安全性也有所提高，避免了掌纹痕迹被他人利用的可能。　　其次，对手掌纹及手掌静脉两种模态分别进行初级分类器设计，用细节点匹配，距离匹配和点间最小平均距离匹配的方法，匹配结果由三者决策融合得出；然后将提取出的手掌纹与手掌静脉特征点集，以串联的方式形成新的特征，构成二级分类器，再用上述同样的算法，得出一个匹配结果。　　最后，将掌纹，掌静脉以及掌纹掌静脉融合，这三个识别结果再进行决策级融合，得到系统最后的结果。实验结果证明，本算法能有效的提高系统的通过率，降低误识率。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
在线出版日期：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社基于独立匹配分数层融合的高精度掌纹识别算法的制作方法
专利名称基于独立匹配分数层融合的高精度掌纹识别算法的制作方法
技术领域本发明涉及的是一种基于生物特征的身份认证方法，具体的说是一种基于 独立匹配分数层融合的高精度掌纹识别算法。
背景技术在曰常生活中以及金融、司法、安检、电子商务等很多场合都需要准确的 身份识别。人类的身份识别的方式主要有三种第一种是基于知识的方法，如 使用密码、口令等；第二种是基于物品的方法，如使用钥匙、ID卡等；第三种 是基于人体的生物特征的方法，如人脸、指纹、掌纹，语音等。前两种方法存 在着很多的缺陷，基于物品的方法携带不方便且容易丢失、损坏、被盗用或伪 造；基于知识的方法容易被遗忘、破解等。基于人体生物特征的身份识别方法
克服了上述缺陷，使用生物特征方法是基于人体所固有的特征，不会丢失或忘 记。
作为一项新兴的生物识别技术，掌纹识别与其他生物特征相比主要有以下
优点掌纹的面积较大，涵括的信息比一枚指纹丰富得多，因此，从理论上来 讲掌纹具有比指纹更好的可区分性。同时，掌纹的主要特征是手掌上的几条主 线和褶皱线，因此在低分辨率图像下提取的特征足以提供身份识别所需的信息， 并且提取的特征不易受噪声的干扰。与虹膜特征相比，掌纹图像采集设备简单 易行，成本远低于虹膜图像的采集设备。和手型特征相比，掌纹特征稳定，唯 一性更强，不易伪造，且识别精度更高。掌纹获取方式与刑事和诉讼关联较小， 因此用户接受程度较高。
目前，研究人员已经对基于掌纹的生物特征识别方法进行了较深入的研究，
并取得了一定的成果。Zhang等人在美国专利[Zhang Dapeng David， Kong Wai-Kin Adams, Method of palmprint identification,专利公开号US
Al]禾卩[Zhang Dapeng David， Kong Wai-Kin Adams, Palm print identification using palm line orientation ，专利公开号US
Al]以及Zhang [D.Zhang,W.Kong,J.You and M.Wong, "Online palmprint identification", IEEE Trans.Pattem Anal.Machine Intell， vol.25, no.9， pp. ， 2003]将Gabor滤波器用于提取掌纹图像的纹理特征，称为PalmCode。但这种算法对只采用了掌纹 图像的一个方向的信息，其他的方向信息丢失，其掌纹识别精度低。 Kong[A.Kong,D.Zhang and M.Kame,"Palmprint identification using feature-level fusion". Pattern Recognition, vol.39， no.3，pp. 478-487,2006.]对PalmCode方法进
行改进，采用四个方向的Gabor滤波器，使用先滤波再采样方法分别提取四个 方向的掌纹图像的纹理特征，然后通过最大值融合准则，取纹理特征的每个像 素的四个方向特征的最大值作为融合纹理特征相应像素的值，即融合编码 (FmionCode)。这种算法特征提取阶段的计算复杂度明显增加，并且四个方向 特征融合为一个特征，丢失了部分有用的掌纹信息，从而难以充分利用掌纹纹 理的相位和方向信息。同时，由于Gabor滤波器中直流分量的存在，使其提取 的特征受光照的影响较大，使掌纹认证的识别精度低。
本发明的目的在于提供一种独立匹配分数层融合的高精度掌纹识别算法， 该种算法的计算复杂度低，识别速度快，识别精度高。
本发明的目的是这样实现的 一种独立匹配分数层融合的高精度掌纹识别 算法，包括以下步骤
a、 基于移动差影法的掌纹图像预处理对采集到的掌纹图像切取出包含中 指和食指、无名指和小指之间两个角点的掌纹图像，再对切取出的掌纹图像进 行中值滤波及二值化处理；将二值化后的掌纹图像分别向前、向上、向下平移 30个像素，并分别对平移后空出的图像后部、下部、上部分别填充值为0的像 素，得到三个平移后的图像；将三个平移后的图像分别与二值化后的掌纹图像 相减，令值小于等于0的像素值为零、其余像素的值为255，得到三个差影图像； 对三个差影图像进行与操作，得到包含中指和食指、无名指和小指之间两个角 点及两个角点附近的空隙的图像，从中找出两个角点的坐标，再以两个角点的 中点作为原点O，以两角点的连线作为纵坐标t，建立新坐标系0(《，？)；在新坐 标系0^， 0中对采集到的掌纹图像，沿着横坐标《，在离原点0 95像素点的位 置(95， 0)为中心切割出大小为128X128，横边与横坐标平行的距形掌纹图像 I (《，"，《=1、 2、 3…128， f=l、 2、 3…128;
b、 基于间隔滤波的纹理特征快速提取采用直流化Gabor滤波器 5(U，"，a,&)对a步的128X128的距形掌纹图像I (《，。进行四个方向的间隔为4的滤波，得到32X32维的四个方向的掌纹纹理特征/"《V'，&): /5(gV',A)= S 2^0^，"，CT，A)x/(4…+x,4f'+力，
其中《'=1、 2、 3…32， ,' = 1、 2、 3…32， 4《+;c =《，4"&& = " x、 y为滤波器 的坐标，《为滤波器函数的频率，ff是二维Gabor滤波器的标准方差，^为二维 Gabor滤波器的方向，A:-l、 2、 3、 4, w为滤波器的坐标;c、 y取值的绝对值的 最大值；
c、基于独立汉明匹配分数融合的掌纹认证对于采集到的两个掌纹图像分 别进行a c步的操作，得到两个掌纹图像的四个方向的掌纹纹理特征4^V'，《) 和/l(^V'A);对两个掌纹图像相同方向的掌纹纹理特征计算汉明距离d。的)
^ //1 、《=1 i
其中，4(9v'A)和4w，/'A)分别表示两个掌纹纹理特征的实部，4&v'A)和
4(《V'A)分别表示两个掌纹纹理特征的虚部；再使用"和平均"的策略在匹配
分数层进行融合，从而得到系统最终的融合匹配分数A):
d0 = (A (《)+ A)的)+ A& (《)+ ￡&。(《))/ 4, 如果融合匹配分数A)小于设定的门限值A判定两个掌纹图像匹配，否则判定两 个掌纹图像不匹配。
与现有技术相比，本发明的收益效果是-
1、 在掌纹预处理阶段采用了移动差影法用于掌纹的定位分割，这种方法只 对图像进行三次移位，三次减法，两次与操作，没有使用到耗时长的乘法和巻 积运算，降低了计算复杂度，加快了掌纹图像的预处理速度。
2、 在特征提取时，对采样点直接进行了Gabor滤波，将滤波和下采样两个 步骤合为间隔滤波一个步骤，大大减少了计算量，使得特征提取时间仅仅是先 滤波再采样方法的1/16，从而使得其识别速度快；同时用于间隔滤波的掌纹信 息与先滤波再采样方法的掌纹信息一样，因此掌纹识别精度并不因此降低。
3、 在匹配识别阶段，本发明对每个方向的掌纹纹理信息进行了单独的汉明 匹配，解决了多个方向纹理特征因不同滤波器而带来的位置偏移问题。在匹配 分数层采用和平均的策略进行融合，有效的保留和使用了全部四个方向的纹理
6特征的相位和方向信息，从而获得了很高的识别精度。
总之，本发明的图像预处理和纹理特征提取速度快，分割定位精确，充分 利用了纹理特征的所有信息，识别精度高。
仿真实验也说明本发明方法的识别精度高当误识率FAR等于10-5%时， 本算法的正确接受率GAR为99.73%,高于CompetitiveCode算法(Competitive coding scheme for palmprint verification, in: Proceedings of the 17th International Conference on Pattern Recognition, 520—523)的98.50%， RLOC算法(Palmprint verification based on robust line orientation code, Pattern Recognition, vol. 41, )的97.29%禾口 OrdinalCode算法(Ordinal palmprint representation for personal identification, in: Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition, 279—284)的98.15°/o， PPOC算法(Fusion of phase and orientation information for palmprint authentication, 2005 IEEE International Conference on Image Processing, 29-32)的94.85%。由此可见，本算 法具有更高的识别精度。
上述的二维Gabor滤波器的参数取值分别为P = 15°, 60°, 105°， 150°， w = 0.0916， c= 5.1679, " = 8。实验证明，选取这些参数值掌纹身份认证系统能够获 得更高的识别精度。
下面结合附图和具体的实施方式对本发明作进一步详细的说明。
图1是本发明实施例方法的掌纹图像预处理过程。
图2是本发明实施例方法与现有的PPOC、 CompetMveCode、 RLOC、 OrdinalCode算法的ROC性能曲线。图中的横坐标是错误接受率(FAR),纵坐 标是正确接受率(GAR)。
图3是本发明实施例方法的FAR， FRR性能曲线。
具体实施例方式
本发明的一种具体实施方式
为， 一种基于独立匹配分数层融合的高精度掌
纹识别算法，包括以下步骤
a、基于移动差影法的掌纹图像预处理对采集到的掌纹图像切取出包含中 指和食指、无名指和小指之间两个角点的掌纹图像，再对切取出的掌纹图像进行中值滤波及二值化处理；将二值化后的掌纹图像分别向前、向上、向下平移 30个像素，并分别对平移后空出的图像后部、下部、上部分别填充值为O的像 素，得到三个平移后的图像；将三个平移后的图像分别与二值化后的掌纹图像 相减，令值小于等于0的像素值为零、其余像素的值为255，得到三个差影图像; 对三个差影图像进行与操作，得到包含中指和食指、无名指和小指之间两个角 点及两个角点附近的空隙的图像，从中找出两个角点的坐标，再以两个角点的 中点作为原点O,以两角点的连线作为纵坐标t，建立新坐标系0&， 0;在新坐 标系0^， f)中对采集到的掌纹图像，沿着横坐标《，在离原点0 95像素点的位 置(95， 0)为中心切割出大小为128X128，横边与横坐标平行的距形掌纹图像 I (《，0，《=1、 2、 3…128， f=l、 2、 3…128;
b、基于间隔滤波的纹理特征快速提取采用直流化Gabor滤波器 5(w，",cr，《)对a步的128X128的距形掌纹图像I (g， 0进行四个方向的间隔 为4的滤波，得到32X32维的四个方向的掌纹纹理特征^W，,'，《)-
Z 2^"J，"，"A)x7(勿'付,4"力.
其中《'=1、 2、 3…32， f =1、 2、 3…32， '+x =《，4 =。x、少为滤波器 的坐标，"为滤波器函数的频率，c是二维Gabor滤波器的标准方差，^为二维 Gabor滤波器的方向，fc=l、 2、 3、 4，"为滤波器的坐标x、 y取值的绝对值的 最大值，本实施例的Gabor滤波器为
G(x,y，w,cr,&) = ~^~Yexp(-X)exp(2孤/(j:cos ^ +&vsin《A))， 直流化Gabor滤波器^(jc，乂w,cr，与Gabor滤波器G(x,的转换关系为-
&formula&formula see original document page 8&/formula&
C、基于独立汉明匹配分数融合的掌纹认证对于采集到的两个掌纹图像分
别进行a c步的操作，得到两个掌纹图像的四个方向的掌纹纹理特征4(《V'A)
和/l(《V'A);对两个掌纹图像相同方向的掌纹纹理特征计算汉明距离A(&):
&formula&formula see original document page 8&/formula&其中，4(《'，rA)和4(WA)分别表示两个掌纹纹理特征的实部，4c《)和
g(《V'A)分别表示两个掌纹纹理特征的虚部；再使用"和平均"的策略在匹配
分数层进行融合，从而得到系统最终的
A) = (A (《)+ "。(《)+ A讽)+ "。的))/ 4,
如果融合匹配分数A)小于设定的门限值Dt判定两个掌纹图像匹配，否则判定两 个掌纹图像不匹配。
实施时，用户可以根据系统安全性的实际要求和具体情况来设定汉明距离 匹配算法的门限值A。
本实施例方法的计算机仿真实验如下
仿真实验中使用的是香港理工大学公开的免费掌纹数据库PolyU Palmprint Database (http:〃p.polyu.edu.hk/ biometrics/),该数据库包含来自386 只手掌，每只手掌取大约20张图像、共7752张掌纹图像。这些图像是分两个 阶段采集的，两次采集的平均时间间隔为2个月，每次对每个手掌采集10张图 像左右，图像的大小是384X284像素。
本实施例的仿真实验中，将数据库中的所有样本迸行两两匹配识别(即每 一个样本均与其他的任一样本进行匹配识别)。来自同一手掌的两图像经识别为 匹配的为真匹配，否则为假匹配。实验中共进行了 30,042,876 () 次匹配，其中74,086次为真匹配，其余的为假匹配。为了比较本方法与现有的 PPOC算法、CompetitiveCode算法、RLOC算法和OrdinalCode算法的性能差 异，同时进行了这些算法对该掌纹数据库的所有样本的两两匹配识别。仿真结
身份识别方法的性能通常由错误接受率(False Accept Rate, FAR)和正确接受 率(Genuine Accept Rate，GAR)来衡量。错误接受率(FAR)是指系统将假冒者当成 合法用户而接受的概率，错误接受率(FAR)越低越好；正确接收率(GAR)是指系 统将合法用户接受的概率，正确接收率(GAR)越高越好。FAR和GAR这两个性 能指标反映了一个生物识别系统两个不同方面。FAR越低，假冒者被接受的可 能性越低，从而系统的安全性越高。GAR越高，合法用户被拒绝的可能性越低， 从而系统的易用性越好。所以，用户应该根据不同的应用来折中调节FAR和 GAR:对于安全性要求较高的系统，比如某些军事系统，安全最重要，因此应 该降低FAR，但同时降低GAR;在对安全性要求不是很高的系统，比如很多民用性系统，易用性很重要，这时应该相应提高GAR使其易用性提高，同时FAR 也会提高，安全性降低。为了更好的体现FAR和GAR之间的关系，并且方便 不同算法之间的相互比较，通常不同阈值下的FAR和GAR组成二维坐标系中 的一系列点(FAR，GAR)，并将这些点在坐标系中画成的曲线称为ROC曲线。
图2为在本实施例方法仿真结果的ROC曲线与目前常用的PPOC算法， CompetitiveCode算法，RLOC算法和OrdinalCode算法的ROC曲线。从图2中 可以看出本发明的算法远好于其他方法，当误识率FAR相同时，本发明方法的 正确接受率GAR均高于现有几种常用的算法。如当误识率FAR等于10-5%时， 本发明方法的正确接受率最高，为99.73%;常用的CompetitiveCode算法为 98.50°/。， PPOC算法为94.85%, RLOC算法为97.29%及OrdinalCode算法为 98.15%。由此可见，本算法具有更高的识别精度。
图3为本发明的方法仿真结果的FAR和FRR的性能曲线图。从图3可以看 出本发明方法的汉明距离阈值A)在0.38-0.41之间时，能同时得到极低的错误接 收率(10—5%以下)和错误拒绝率(0.27%以下)。
1、一种基于独立匹配分数层融合的高精度掌纹识别算法，包括以下步骤a、基于移动差影法的掌纹图像预处理对采集到的掌纹图像切取出包含中指和食指、无名指和小指之间两个角点的掌纹图像，再对切取出的掌纹图像进行中值滤波及二值化处理；将二值化后的掌纹图像分别向前、向上、向下平移30个像素，并分别对平移后空出的图像后部、下部、上部分别填充值为0的像素，得到三个平移后的图像；将三个平移后的图像分别与二值化后的掌纹图像相减，令值小于等于0的像素值为零、其余像素的值为255，得到三个差影图像；对三个差影图像进行与操作，得到包含中指和食指、无名指和小指之间两个角点及两个角点附近的空隙的图像，从中找出两个角点的坐标，再以两个角点的中点作为原点O，以两角点的连线作为纵坐标t，建立新坐标系O(q，t)；在新坐标系O(q，t)中对采集到的掌纹图像，沿着横坐标q，在离原点O95像素点的位置(95，0)为中心切割出大小为128×128，横边与横坐标平行的距形掌纹图像I(q，t)，q＝1、2、3...128，t＝1、2、3...128；b、基于间隔滤波的纹理特征快速提取采用直流化Gabor滤波器G(x，y，u，σ，θk)对a步的128×128的距形掌纹图像I(q，t)进行四个方向的间隔为4的滤波，得到32×32维的四个方向的掌纹纹理特征IG(q′，t′，θk)&maths id="math0001" num="0001" &&math&&![CDATA[
&mrow&&msub&
&mi&I&/mi&
&mover&&mi&G&/mi&&mo&&OverB&/mo&
&/mover&&/msub&&mrow&
&mo&(&/mo&
&msup&&mi&q&/mi&&mo&&&/mo&
&mo&,&/mo&
&msup&&mi&t&/mi&&mo&&&/mo&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&=&/mo&&munderover&
&mi&&S&/mi&
&mrow&&mi&x&/mi&&mo&=&/mo&&mo&-&/mo&&mi&n&/mi&
&mrow&&mi&x&/mi&&mo&=&/mo&&mi&n&/mi&
&/mrow&&/munderover&&munderover&
&mi&&S&/mi&
&mrow&&mi&y&/mi&&mo&=&/mo&&mo&-&/mo&&mi&n&/mi&
&mrow&&mi&y&/mi&&mo&=&/mo&&mi&n&/mi&
&/mrow&&/munderover&&mover&
&mi&G&/mi&
&mo&&OverB&/mo&&/mover&&mrow&
&mo&(&/mo&
&mi&x&/mi&
&mo&,&/mo&
&mi&y&/mi&
&mo&,&/mo&
&mi&u&/mi&
&mo&,&/mo&
&mi&&&/mi&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&&&/mo&&mi&I&/mi&&mrow&
&mo&(&/mo&
&msup&&mrow&
&mn&4&/mn&
&mi&q&/mi&&/mrow&&mo&&&/mo&
&mo&+&/mo&
&mi&x&/mi&
&mo&,&/mo&
&msup&&mrow&
&mn&4&/mn&
&mi&t&/mi&&/mrow&&mo&&&/mo&
&mo&+&/mo&
&mi&y&/mi&
&mo&)&/mo&&/mrow&&mo&.&/mo&
&/mrow&]]&&/math&&/maths&其中q′＝1、2、3...32，t′＝1、2、3...32，4q′+x＝q，4t′+y＝t；x、y为滤波器的坐标，u为滤波器函数的频率，σ是二维Gabor滤波器的标准方差，θk为二维Gabor滤波器的方向，k＝1、2、3、4，n为滤波器的坐标x、y取值的绝对值的最大值；c、基于独立汉明匹配分数融合的掌纹认证对于采集到的两个掌纹图像分别进行a～c步的操作，得到两个掌纹图像的四个方向的掌纹纹理特征IG1(q′，t′，θk)和IG2(q′，t′，θk)；对两个掌纹图像相同方向的掌纹纹理特征计算汉明距离D0(θk)&maths id="math0002" num="0002" &&math&&![CDATA[
&mrow&&msub&
&mi&D&/mi&
&mn&0&/mn&&/msub&&mrow&
&mo&(&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&=&/mo&&mfrac&
&mrow&&munderover&
&mi&&S&/mi&
&mrow&&msup&
&mi&q&/mi&
&mo&&&/mo&&/msup&&mo&=&/mo&&mn&1&/mn&
&mrow&&msup&
&mi&q&/mi&
&mo&&&/mo&&/msup&&mo&=&/mo&&mn&32&/mn&
&/mrow&&/munderover&&munderover&
&mi&&S&/mi&
&mrow&&msup&
&mi&t&/mi&
&mo&&&/mo&&/msup&&mo&=&/mo&&mn&1&/mn&
&mrow&&msup&
&mi&t&/mi&
&mo&&&/mo&&/msup&&mo&=&/mo&&mn&32&/mn&
&/mrow&&/munderover&&mi&I&/mi&&mfrac&
&mn&1&/mn&
&mi&GR&/mi&&/mfrac&&mrow&
&mo&(&/mo&
&msup&&mi&q&/mi&&mo&&&/mo&
&mo&,&/mo&
&msup&&mi&t&/mi&&mo&&&/mo&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&&CircleT&/mo&&mi&I&/mi&&mfrac&
&mn&2&/mn&
&mi&GR&/mi&&/mfrac&&mrow&
&mo&(&/mo&
&msup&&mi&q&/mi&&mo&&&/mo&
&mo&,&/mo&
&msup&&mi&t&/mi&&mo&&&/mo&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&+&/mo&&mi&I&/mi&&mfrac&
&mn&1&/mn&
&mi&GI&/mi&&/mfrac&&mrow&
&mo&(&/mo&
&msup&&mi&q&/mi&&mo&&&/mo&
&mo&,&/mo&
&msup&&mi&t&/mi&&mo&&&/mo&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&&mo&&CircleT&/mo&&mi&I&/mi&&mfrac&
&mn&2&/mn&
&mi&GI&/mi&&/mfrac&&mrow&
&mo&(&/mo&
&msup&&mi&q&/mi&&mo&&&/mo&
&mo&,&/mo&
&msup&&mi&t&/mi&&mo&&&/mo&
&mo&,&/mo&
&msub&&mi&&&/mi&&mi&k&/mi&
&mo&)&/mo&&/mrow&
&mrow&&mn&2&/mn&&mo&&&/mo&&mn&32&/mn&&mo&&&/mo&&mn&32&/mn&
&/mrow&&/mfrac&
&/mrow&]]&&/math&&/maths&其中，IGR1(q′，t′，θk)和IGR2(q′，t′，θk)分别表示两个掌纹纹理特征的实部，IGI1(q′，t′，θk)和IGI2(q′，t′，θk)分别表示两个掌纹纹理特征的虚部；再使用“和平均”的策略在匹配分数层进行融合，从而得到系统最终的融合匹配分数D0D0＝(D0(θ1)+D0(θ2)+D0(θ3)+D0(θ4))/4，如果融合匹配分数D0小于设定的门限值Dt判定两个掌纹图像匹配，否则判定两个掌纹图像不匹配。
2、根据权利要求1所述的基于独立匹配分数层融合的高精度掌纹识别算法， 其特征在于所述的直流化二维Gabor滤波器^0c,3;,"，C7A)的参数取值分别为 w = 0.0916, o" =5.1679," = 8,6&= 15。, 60。, 105o, 1500。
本发明公开了一种基于独立匹配分数层融合的高精度掌纹识别方法。首先本发明提出了一种新的基于移动差影法的掌纹图像预处理方法，用这种新的预处理方法对掌纹图像进行定位分割，加快了掌纹图像预处理速度；接着采用Gabor滤波器对掌纹图像进行间隔滤波，将滤波和下采样两步骤合为一步骤，直接对采样点进行滤波，大大降低了特征提取时间。在匹配识别阶段，每个方向的掌纹纹理信息进行单独的汉明匹配，解决了多个方向纹理特征因不同滤波器而带来的位置偏移问题。在匹配分数层采用和平均的策略进行融合，最大程度的保留和利用了纹理特征的相位和方向信息。本发明大大加快了掌纹图像预处理和纹理特征提取的速度，并且在很大程度上提高了掌纹身份认证的识别精度。
文档编号G06K9/00GKSQ
公开日日 申请日期日 优先权日日
发明者张家树, 黄文辉 申请人:西南交通大学君，已阅读到文档的结尾了呢~~
基于多线性主元分析和FLD的掌纹识别
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于多线性主元分析和FLD的掌纹识别
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口 上传我的文档
 下载
 收藏
大学讲师，通信高级工程师，从事开发、应用通信技术。
 下载此文档
正在努力加载中...
基于gabor滤波器的掌纹特征提取及竞争编码算法的研究
下载积分：1500
内容提示：基于gabor滤波器的掌纹特征提取及竞争编码算法的研究
文档格式：PDF|
浏览次数：4|
上传日期： 05:32:38|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1500 积分
下载此文档
该用户还上传了这些文档
基于gabor滤波器的掌纹特征提取及竞争编码算法的研究
官方公共微信