学位论文 > 优秀研究生学位论文题录展示

单样本条件手部特征识别算法研究

作　者: 张延强
导　师: 裘正定; 孙冬梅
学　校: 北京交通大学
专　业: 信号与信息处理
关键词: 生物特征识别 单训练样本 掌纹识别 手指特征 手部特征识别 小波分解 子空间分析 匹配分数融合
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 87次
引　用: 0次
阅　读: 论文下载
 

内容摘要


生物特征识别是采用人所具有的独特的生理或行为特征进行身份鉴别的技术,是解决社会信息化、网络化发展中安全问题的有效方案之一。在部分实际应用中,如法律实施、智能卡应用、身份证和护照等,每类用户仅有一个生物特征样本用于训练,这将导致系统识别性能下降。如何提高单训练样本条件下的生物特征识别性能已经成为生物特征识别领域的研究热点。多模态生物特征融合是一种解决单训练样本生物识别问题的有效途径。本文以手部特征为研究对象,以单训练样本为研究前提,研究了单训练样本条件下的掌纹、指横纹、手指特征识别方法,并采用融合的方法有效地提高了单训练样本条件下手部特征识别系统的性能。本文的主要工作和贡献如下：1.基于子空间分析的掌纹识别研究。分析主成分分析算法(PCA)中各单独主成分的判别性能与对应投影能量的关系,提出一种特征加权的主成分分析方法(FWPCA)。对于单样本掌纹识别,该方法可以采用较少的特征维数得到更佳的识别性能；进一步在FWPCA的基础上增加图像近邻关系矩阵约束,提出一种特征加权的局部保持投影方法(FWLPP),同样取得了识别性能的提升；最后,对PCA的泛化性能进行分析,其本质为特征空间的平移与旋转,当采用大量样本构造特征空间时,对于未知样本可以保持良好的识别性能,有效提高算法的泛化能力。2.提出一种小波子带融合的单样本掌纹识别方法。小波分解能够在保持掌纹图像能量的基础上,有效地降低图像分辨率,并能去除图像中的噪声。然而,小波高频子带因其对噪声和定位误差比较敏感而不能用于掌纹识别。针对这一问题,提出使用均值滤波方法提高掌纹小波水平和垂直子带中主线等几何特征的鲁棒性,使其可以获得与低频子带相当的识别性能,进一步融合小波子带提高单训练样本条件下掌纹识别系统的性能。3.对手指特征进行研究。指横纹是一种较新的手部生物特征,因其缺乏一种有效的定位方法,导致子空间、纹理分析等特征提取方法不可用。提出采用手指刚性区域保证手指的旋转不变性,进而采用多尺度水平方向高通滤波增强指横纹特征,提取能量集中区域从而保证指横纹平移不变性,分别提取指横纹PCA特征、Gabor相位特征、Gabor幅度量化特征用于指横纹识别,匹配分数级融合方法进一步提高了单训练样本指横纹识别系统性能。此外,对包含远指横纹、中指横纹、手形等特征的食指、中指、无名指和小拇指进行单训练样本条件下的识别研究,基于PCA、 LPP特征提取算法表明,这四个手指特征都可用于身份识别,为手部特征融合提供了基础和条件。4.提出一种匹配分数级融合算子评估方法,给出各融合算子判决性能的理论解释。匹配分数级融合算子包括求和、乘积、最大和最小算子,它们是在贝叶斯框架下根据不同假设条件下的理论近似,因其使用简单、无需训练被广泛应用。但在实用过程中,融合算子性能的优劣往往根据实验结果来评价,无法事先估计各算子的性能。提出采用基于概率密度分布的真假两类可分性度量方法评估各融合算子的判决性能。在模态条件独立的前提下,各融合算子的概率密度分布可由单一模态概率密度分布计算出来,根据各融合算子的概率密度分布情况,可以有效评估各融合算子性能,从而实现最优融合算子的自适应选择。5.提出一种基于层次的单样本手部特征识别方法,通过各层匹配阈值的调节,实现不同层次的识别。第一层,中指与小拇指匹配分数融合。若待测样本匹配分数小于设定阈值,则完成识别；否则进入下面的层次进行识别。第二层,食指与无名指匹配分数融合。第三层,掌纹小波子带匹配分数融合。若前三层都未能完成识别,则进入最后一层,即融合前三层匹配分数进行识别。该方法采用由精到粗的匹配策略,使尽可能多的手部特征样本在第一层就完成识别,保证识别精度的同时提高识别效率。由于各层匹配中设定了相应阈值,该手部特征识别算法可以很容易地扩充到生物认证以及开集生物识别系统,有效拓展算法的应用领域。

全文目录


致谢  5-6
中文摘要  6-8
ABSTRACT  8-15
1 绪论  15-33
  1.1 课题研究的背景和意义  15-17
  1.2 生物特征识别技术概述  17-23
    1.2.1 生物特征的特性及分类  17-19
    1.2.2 生物特征识别系统结构  19-21
    1.2.3 系统评价指标  21-23
  1.3 单训练样本生物特征识别  23-25
    1.3.1 单训练样本识别问题描述  23-24
    1.3.2 单训练样本生物识别的意义  24
    1.3.3 常用解决方案  24-25
  1.4 手部特征识别概述  25-30
    1.4.1 手形识别  26
    1.4.2 掌纹识别  26-29
    1.4.3 手指特征识别  29-30
  1.5 论文的主要工作及结构安排  30-33
    1.5.1 论文的主要工作  30-31
    1.5.2 论文的结构安排  31-33
2 手部图像获取及预处理  33-41
  2.1 引言  33
  2.2 手部图像数据库  33-36
    2.2.1 采集方式比较  33-34
    2.2.2 BJTU手部图像数据库  34-35
    2.2.3 PolyU掌纹数据库  35-36
  2.3 掌纹图像ROI提取  36-39
    2.3.1 基于BJTU数据库的ROI提取  36-37
    2.3.2 基于PolyU掌纹数据库的ROI提取  37-38
    2.3.3 掌纹图像尺度规—及灰度调整  38-39
  2.4 手指图像ROI提取  39
  2.5 本章小结  39-41
3 基于子空间分析的掌纹识别性能分析及改进算法  41-65
  3.1 引言  41-42
  3.2 基于主成分分析(PCA)的掌纹识别  42-47
    3.2.1 K-L变换  43-45
    3.2.2 K-L变换的性质及意义  45-46
    3.2.3 特征掌(EigenPalm)方法  46-47
  3.3 基于改进主成分分析的掌纹识别  47-57
    3.3.1 主成分方法性能分析  47-53
    3.3.2 基于特征加权的主成分分析方法(FWPCA)  53-54
    3.3.3 实验结果和分析  54-57
  3.4 基于特征加权局部保持投影(FWLPP)的掌纹识别  57-59
  3.5 主成分分析泛化性分析  59-63
  3.6 本章小结  63-65
4 基于小波子带融合的单样本掌纹识别  65-83
  4.1 引言  65-66
  4.2 基于小波变换的掌纹识别  66-70
    4.2.1 小波变换  66-69
    4.2.2 小波变换和PCA相结合的掌纹识别  69-70
  4.3 小波高频子带有效性研究  70-78
    4.3.1 高频子带判决能力分析  71-73
    4.3.2 高频子带特征增强  73-74
    4.3.3 实验结果与分析  74-78
  4.4 基于小波子带融合的单样本掌纹识别  78-82
    4.4.1 WSF-SSPR算法  78-79
    4.4.2 实验结果与分析  79-82
  4.5 本章小结  82-83
5 基于手指特征的身份识别  83-99
  5.1 引言  83-84
  5.2 基于多特征融合的指横纹识别  84-93
    5.2.1 图像预处理  85-87
    5.2.2 特征提取与匹配  87-89
    5.2.3 多特征融合  89-90
    5.2.4 实验结果与分析  90-93
  5.3 基于手指图像的身份识别  93-97
    5.3.1 手指图像预处理  93-95
    5.3.2 特征提取与匹配  95
    5.3.3 实验结果与分析  95-97
  5.4 本章小结  97-99
6 匹配分数级融合算子评估方法及在手部特征识别中的应用  99-115
  6.1 引言  99
  6.2 匹配分数级融合算子的理论依据  99-102
    6.2.1 乘积算子  100-101
    6.2.2 求和算子  101
    6.2.3 最大算子  101-102
    6.2.4 最小算子  102
  6.3 融合算子评估方法  102-107
    6.3.1 模态条件独立性假设  103
    6.3.2 融合算子PDF表达  103-105
    6.3.3 概率密度估计  105-106
    6.3.4 两类可分性度量  106-107
  6.4 实验结果和分析  107-114
    6.4.1 实验设置  107-108
    6.4.2 实验结果与分析  108-114
  6.5 本章小结  114-115
7 基于手部特征融合的单样本识别  115-127
  7.1 引言  115-116
  7.2 手部特征融合算法描述  116-120
    7.2.1 信息融合有效性分析  116-117
    7.2.2 融合特征的选择  117-118
    7.2.3 基于层次的手部特征识别算法  118-120
  7.3 实验结果与分析  120-126
    7.3.1 匹配特征分析及参数设置  120-122
    7.3.2 实验结果与分析  122-126
  7.4 本章小结  126-127
8 结论  127-131
  8.1 本文的主要工作  127-129
  8.2 今后工作展望  129
  8.3 结束语  129-131
参考文献  131-137
作者简历  137-141
学位论文数据集  141

相似论文

  1. 基于距离映射码的安全指纹认证研究,TP391.4
  2. 基于灰度共生矩阵和BP神经网络的织物组织结构识别,TP391.41
  3. 基于子模式的局部保留映射的人脸识别方法研究,TP391.41
  4. 小波分析在掌纹图像特征提取中的应用,TP391.41
  5. 基于角点分析与奇异值分解的数字水印研究,TP309.7
  6. 基于小波分析的掌纹图像识别研究,TP391.41
  7. 虹膜识别的定位算法研究,TP391.41
  8. 基于分形和多小波理论的静脉特征提取研究,TP391.41
  9. 基于贝叶斯小波包降噪方法的数据校正,TP274
  10. 手背静脉在军工识别系统中的研究与实现,TP391.41
  11. 面向电力营销服务的客户身份自动识别系统设计,TP391.41
  12. 手指静脉识别技术研究,TP391.41
  13. 基于非接触采集下的鲁棒掌纹识别,TP391.41
  14. 掌纹图像特征抽取方法研究,TP391.41
  15. 用于金属磨粒检测系统的噪声消除算法研究,TP391.41
  16. 基于小波分析的流体快速模拟方法,TP391.41
  17. 红外和可见光图像配准算法研究,TP391.41
  18. 卫星导航系统时间尺度的研究与应用,TN967.1
  19. 人体经穴电位信号处理与生理状态分类方法研究,TN911.7
  20. 基于Gabor滤波的掌纹识别研究,TP391.41
  21. 基金交易行为与市场波动,F224

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com