基于DSP的掌纹识别门禁系统设计与实现

对基于DSP的嵌入式掌纹识别门禁系统硬件架构设计中的图像传感器,DSP芯片,Flash,SDRAM,RS232串口,时钟,复位电路等硬件的具体实现技术进行了探讨.通过掌纹识别算法软件在硬件系统上的运行取得了较好的效果,为嵌入式系统的开发提供了一个范例,实现了系统体积小、成本低、速度快、可靠性高的目的.     

一种基于S3C2410的掌纹识别系统设计

本文描述了基于K3C2410的掌纹识别系统硬件,包含了图像采集、识别处理、输入输出等模块的构造原理及工作流程。并把掌纹识别算法的程序在该硬件环境上的运行,取得了．较好的效果,为嵌入式系统的开发提供了一个范例,达到了系统体积小、成本低、速度快、可靠性高的目的。     

基于二维Gabor的掌纹图像预处理研究

掌纹识别属于相对较新的一种生物特征识别技术,是利用人手掌上丰富的纹理特征来进行身份识别。掌纹图像的质量是影响掌纹识别性能的关键,因此,由掌纹的特点入手,对掌纹图像采用基于形态学方法进行感兴趣区域(ROI)的分割,为了防止由于采集时手放置位置的旋转或偏移导致的掌纹图像的差异,通过中值滤波、二值化、膨胀腐蚀等操作确定了特殊角点,再利用角点连线确定旋转角度,来旋转掌纹图像。然后对掌纹图像感兴趣的区域采取小波阈值法来去除噪声。最后结合Gabor滤波器的方向性,采用基于二维Gabor滤波器对掌纹纹线的特征进行提取。为了验证所提出的掌纹图像预处理方法的有效性,在PolyU掌纹图像库上进行实验并取得了较好的实验效果。     

基于卷积神经网络的掌纹识别方法

为避免在处理掌纹识别时人工提取掌纹特征,提出使用卷积神经网络(CNN)来处理掌纹识别问题。首先根据掌纹的几何形状特点进行预处理,切割出掌纹的感兴趣区域(ROI);然后将感兴趣区域进行归一化并组成一个二维矩阵作为卷积神经网络的输入;再使用批量随机梯度下降算法对网络进行训练,得到最优的网络参数;最后对测试掌纹进行分类识别,分类器使用Softmax。应用于香港理工大学掌纹数据库(v2)的掌纹识别率达到99.15%,单张掌纹的识别时间小于0.01 s,验证了方法的有效性。     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于log-Gabor小波的掌纹识别算法

掌纹识别是一种新兴的身份识别技术,具有易于采集、纹理丰富等优点,为此提出一种基于log-Gabor小波进行特征提取的掌纹识别算法.该算法首先用log-Gabor小波对掌纹目标区域（region of interest,ROI）进行滤波,然后根据滤波后图像的相位信息形成二进制掌纹特征码,最后用汉明距离来衡量不同掌纹特征码的相似度.在UST掌纹库上的实验结果达到了较高的识别率,验证了该算法的有效性.     

基于软构件的掌纹识别软件平台的开发与集成

针对现阶段掌纹识别相关软件开发中的问题,采用基于构件的软件开发技术,结合掌纹识别各类算法的特点,集成实现了软件平台,并分析了平台中各类相关构件的获取、分类和组装方法。本软件平台采用可复用软构件技术,实用价值高,而且该平台有效缩短了系统开发周期,并降低了软件维护难度。     

在线单机采集的人手多生物特征识别

单一生物特征识别方法在实际应用时容易受到限制,系统的识别率低、稳定性差.针对上述问题,提出了一种基于在线单机的手形和掌纹相结合的多生物特征识别方法.对于手形识别,提取手指的相对长度构成特征矢量,采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别,然后利用二维Gabor提取掌纹感兴趣区域(ROI)的纹理方向信息作为掌纹特征,对手形分类结果加以认证.在混合图库上进行试验,二者相结合的识别方法的识别率达到98.65%.实验结果表明,采用手形和掌纹双模态特征识别,可以有效提高系统的安全性和稳定性.     

基于特征加权与核主成分分析的掌纹识别

针对掌纹采集受外界因素和噪声的影响较大, 传统方法掌纹识别率低、 鲁棒性差等问题, 提出一种基于特征加权与核主成分分析的掌纹识别算法. 首先采用Curvelet变换对掌纹图像进行分解, 得到不同尺度和角度的轮廓系数, 并对Curvelet系数进行加权融合操作; 然后通过核主成分分析对掌纹特征进行降维处理, 实现特征提取; 最后采用相关向量机实现掌纹匹配, 并采用PolyU掌纹图像对算法的性能进行测试. 结果表明, 与其他掌纹识别算法相比, 该算法取得的掌纹识别率更高, 且掌纹匹配的时间最短, 可以满足掌纹实时识别要求.     

低定位精度条件下掌纹图像识别

提出了一种多层次相位相关掌纹识别(HPCPR)算法.先采用改进的结合相关值位置和大小的方法在整体上匹配和对齐掌纹图像,再用分块的加权相位相关法(WPC)精确匹配对齐后的掌纹图像,实现了低定位精度条件下掌纹图像的有效识别.算法综合使用掌纹图像的整体和局部特征,且能更快地对齐待匹配图像.与传统基于相位相关的识别方法相比,该算法既提高了识别的精度,又在识别的效率上获得明显改进.在PolyU掌纹库上的测试结果验证了算法的良好效果.     

分块统计特征和最优分辨力选择特征相融合的掌纹识别

为提高掌纹识别的性能,提出一种分块统计特征和最优分辨力选择特征相融合的掌纹识别方法。首先对预处理后的掌纹图像进行多方向、多尺度Gabor变换;然后将掌纹划分多个子块提取特征,将各子块特征进行拼接得到整个掌纹特征向量;最后以特征分辨力为准则选出最优掌纹特征子集建立两分类器,通过投票机制建立掌纹多类分类器,并采用Po1yU掌纹库进行性能测试。测试结果表明,该方法的掌纹识别性能优于对比掌纹识别方法。     

基于特征优化与稀疏表示的3D掌纹分类

针对大数据背景下3D掌纹技术存在的问题,提出一种基于优化投影矩阵的3D掌纹稀疏表示识别技术架构。系统首先提取3D掌纹表面类型特征,然后利用分块方向梯度直方图构成训练样本,通过优化设计投影矩阵,使得同类掌纹投影特征互相关性变大,异类掌纹投影特征互相关性变小;最后利用投影后3D掌纹特征稀疏表示分类,并比较L0/L1/L2范数各种快速算法性能。通过投影优化后的系统,在识别率和实时性上都有所改善,仿真实验证实了研究工作的有效性。     

基于局部邻域四值模式的掌纹掌脉融合识别

为了解决掌纹掌脉识别技术中稳定性差和识别率低的问题,提出一种基于局部邻域四值模式的掌纹掌脉融合识别算法。对掌纹掌脉图像利用非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)进行分解,将得到的低频和高频子图像分别利用区域能量和图像自相似原理进行融合;利用局部邻域四值模式(local neighbor quaternary pattern,LNQP)获取掌纹掌脉融合图像的纹理特征向量,并用主成分分析(principal component analysis,PCA)算法对其进行降维;根据特征向量间的汉明距离实现匹配识别,并在PolyU图库和SUT图库上完成仿真验证。实验结果表明,算法的最低等误率分别为0.17%和0.75%,与其他传统及最新算法相比,算法能够有效地提取掌纹掌脉图像的纹理特征,具有良好的识别性能,并且掌纹掌脉特征的融合增强了系统的安全性。     

基于图像融合的去掌纹手掌静脉图像增强方法

针对手掌静脉识别系统中预处理算法不能够很好地解决掌纹造成静脉网络"断裂",导致识别性能降低的问题,通过对手掌静脉图像的观察和分析,提出8个方向滤波器提取掌纹;并将掌纹提取图像与原掌脉图像加权融合,消除了掌纹对手掌静脉图像的干扰,使静脉网络更加连贯,增大了静脉与背景的对比度。实验结果表明,与目前已有的手掌静脉增强方法相比,去掌纹增强方法提高了图像质量,进而提高了手掌静脉识别系统的识别精度。     

一种改进的掌纹线方向特征提取方法

掌纹识别由于方便易行,近年来已成为鉴定人身份的主要方法之一.经典的基于线方向特征识别掌纹的方法忽略了纹线上其他具有辨别力的方向特征.该文改进了传统基于半方向特征编码的方法,改变其中一个半方向编码特征为另一个具有代表性的方向特征,获得了更多的掌纹曲线特征,从而有效提高掌纹识别效果.实验表明,该方法相比传统的方法具有更高的识别率及准确度.     

基于不可分小波和LDA的掌纹识别

提出了一种基于不可分小波和线性判别分析(LDA)的掌纹特征提取算法.该算法首先对掌纹灰度图像进行二层小波分解,保留图像的低频段,这样一幅128×128的掌纹图像经过上述小波分解后得到一幅32×32的掌纹子图,图像的维数显著降低,并且减少了光照这一奇异信息变化对识别效果产生的影响,然后利用LDA方法进行特征提取.针对PolyU掌纹库的识别结果表明.该方法在识别时间,识别率等方面都有其独特的优越性.     

基于K-L变换的掌纹自动识别

掌纹自动识别是对基于生物统计学的身份鉴别的重要补充。论文尝试了对掌纹图像代数特征的提取 ,并设计了基于 K- L变换的掌纹自动识别方法。实验表明 ,这种方法能够取得很好的识别效果 ,即使对于低分辨率下的图像也有较高的识别率。在此基础上结合子空间法模式识别理论 ,提出了双子空间掌纹自动识别方法。并用双子空间对各类样本的空间分布进行了更加精细的刻画。然后采用分层最小距离分类器实现掌纹识别 ,使识别率和鲁棒性得到了进一步提高。     

复杂背景下基于二维OTSU和肤色分割结合的掌纹图像分割方法

基于智能手机的掌纹识别符合非接触式、低分辨率等生物特征认证的发展趋势,但是由智能手机采集的掌纹图像背景往往比较复杂,导致手掌区域不能正确分割,限制了掌纹识别技术在智能手机上的应用推广。针对上述问题,本文在研究二维大津法(二维OTSU)和基于高斯模型的肤色分割两种方法的基础上,结合两者的优点,将两种方法分别以"串联"和"并联"两种融合方式相结合提出一种新的方法,对使用智能手机采集的复杂背景下掌纹图像分别进行分割。经实验验证,并联融合的方法对背景偏暗的掌纹图像分割正确率较高;串联融合的方法对背景偏亮掌纹图像正确分割率较高,两种方式结合能很好地满足复杂背景下掌纹分割的需求。     

基于Curvelet稳定特征曲面的掌纹识别新方法

针对掌纹特征提取困难、稳定性较差以及特征维数较大的问题,提出一种基于Curvelet稳定特征曲面的掌纹识别方法.将掌纹图像经Curvelet变换得到稳定特征曲面,把该曲面作为特征进行匹配,不仅避免了特征提取或图像编码等传统繁琐操作,而且特征维数较低,在保证识别精度的同时,图像稳定性增强,识别速度较快.最后,采用归一化相关分类器对掌纹所属类别进行判定,通过PolyU掌纹库的验证,本文算法的等误率为1.769 0%,匹配时间为16.6 ms,表明了本文算法的有效性.     

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析（Two-di mensional Principle component Analysis,2DPCA）算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.