基于2DPCA的掌纹识别方法研究

论文摘要

计算机掌纹识别技术的研究始于上世纪六十年代末,但由于其本身的难度和技术条件的限制,一直发展比较缓慢。近二十年来,由于计算机技术、信号处理技术、模式识别技术等的飞速发展和实际应用需求的急速增长,掌纹识别技术日益受到关注,并成为人们研究的热点,在相关的理论和应用领域获得了长足的进步。作为最重要的生物特征识别技术之一,掌纹识别方法的开发具有重要的现实意义。传统的PCA法在特征提取方面获得了很多应用。Yang等人在2004年提出了一种新的特征提取方法,即2DPCA法。本文在分析原有的2DPCA识别方法的基础上,结合线性代数里的分块矩阵思想,提出了一种基于分块矩阵的2DPCA识别方法,并给出了性能测试以及测试结果。本文的主要研究工作包括以下部分:(1)回顾了掌纹识别的研究背景以及研究历史,并对已有的经典的掌纹特征抽取及识别算法进行了介绍,重点介绍了传统的主成分分析法(PCA)以及Fisher线性分析法,给出了其数学推导过程。(2)采集掌纹图像,通过一系列去噪操作,包括低通滤波、均衡化以及二值化,使得采集的图像轮廓清晰,噪声稀少。采用最大内切圆法对其进行定位、分割,以减少采集过程中的平移、尺度变化等噪声影响;(3)使用Gabor函数形成的二维Gabor滤波器来增强掌纹图像的主纹理特征,使得特征线路明显;同时采用小波分解获得图像的不同频率成份,即低频系数与细节系数(包括水平、垂直与对角三个方向),去除不相关的频率成分,并提取低频成分。(3)详细介绍2DPCA算法,该算法通过使用原始灰度图构造一个协方差矩阵来计算特征向量,这样可以大大减少PCA方法的时间复杂度,且受有效样本数量而造成的影响较小。本文在分析原2DPCA的方法的基础上,利用线性代数的分块思想,提出了一种基于分块矩阵的2DPCA算法,目的就是利用矩阵的分块来减少计算的复杂度。利用分块2DPCA算法来提取掌纹图像的特征,获得训练样本集;最后提取测试样本的掌纹特征,并使用最近邻法则进行匹配,实验表明,分块2DPCA算法相对于原2DPCA方法可以明显提高掌纹图像的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 生物特征识别
• 1.2.1 生物特征识别的基本概念
• 1.2.2 生物识别热点技术简介
• 1.3 掌纹识别
• 1.3.1 掌纹特征概述
• 1.3.2 掌纹识别的发展应用
• 1.4 本文的研究任务
• 第二章 掌纹图像的采集与去噪
• 2.1 引言
• 2.2 掌纹图像的采集
• 2.2.1 图像的均衡与去噪
• 2.2.2 图像的二值化
• 2.3 本章小结
• 第三章 掌纹图像的定位与分割
• 3.1 引言
• 3.2 常用的掌纹图像定位方法
• 3.2.1 基于方向投影的定位方法
• 3.2.2 基于轮廓特征点的定位方法
• 3.3 最大内切圆定位法
• 3.3.1 掌纹特征点的抽取
• 3.3.2 手掌最大内切圆的确定
• 3.3.3 关键点的检测及定位
• 3.4 仿真实验结果和分析
• 3.5 本章小结
• 第四章 掌纹图像的预处理
• 4.1 引言
• 4.2 GABOR滤波器
• 4.2.1 Gabor展开的基本概念
• 4.2.2 连续信号Gabor变换
• 4.2.3 仿真实验结果和分析
• 4.3 小波分析
• 4.3.1 引言
• 4.3.2 背景知识
• 4.3.3 快速小波变换
• 4.3.4 小波变换的优越性
• 4.3.5 小波分解的基本框架
• 4.3.6 实验结果及分析
• 4.4 本章小结
• 第五章 掌纹特征提取
• 5.1 引言
• 5.2 掌纹特征提取综述
• 5.2.1 基于结构的特征提取
• 5.2.2 基于统计的特征提取
• 5.2.3 基于子空间的特征提取
• 5.3 掌纹方案的确定
• 5.4 基于2DPCA的掌纹识别算法
• 5.4.1 主成份特征矩阵
• 5.4.2 分类
• 5.5 分块矩阵2DPCA识别算法
• 5.5.1 矩阵分块的思想
• 5.5.2 最优特征矩阵
• 5.5.3 分类
• 5.6 本章小结
• 第六章 掌纹系统设计与实验结果分析
• 6.1 掌纹识别系统设计
• 6.1.1 系统结构框图
• 6.1.2 系统结构流程图
• 6.2 实验结果分析
• 6.2.1 试验一
• 6.2.2 试验二
• 6.2.3 试验三
• 6.3 本章小结
• 第七章 结论
• 7.1 实验总结
• 7.2 工作展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢