基于Gabor滤波器的掌纹纹理特征的提取

特征提取就是要对图像的性质进行定量化处理,在已有的方法中,有提取点特征,线特征,时频变换法,纹理特征等.时频变换法主要是时把图像变换到频域,通过对频域特性的分析得到在时域时的情况.纹理的方法是一种全局的方法,它不关心手掌纹线具体的分布和尺寸,而只关心在某个特定方向的纹理分布,即忽略掌纹的细节特征,而只看重不同纹线对不同方向贡献的全局变量.在本文中,采用纹理作为特征向量,结果表明此方法可以较好的提取掌纹的特征.     

基于Gabor滤波的图像质量

基于Gabor滤波器的指纹图像质量分区方法,对指纹图像的各个分区进行了质量评价。然后对高质量分区直接进行脊线跟踪．提取细节特征点;对低质量分区先使用普遍使用的预处理方法,再进行特征提取。对著干幅低质量指纹进行了实验,得到了不错的实验效果,并且实验的效率和准确率也有所提高。     

一种用于掌纹识别的Gabor滤波器方向选取方法

根据掌纹图像的频谱特征,提出了一种自动选取Gabor滤波器方向的方法.该方法将掌纹图像的Fourier谱映射到极坐标域,分析并计算Fourier谱在角度轴上的投影峰值,从而设置Gabor滤波器的方向.实验结果表明:该方法提高了掌纹图像的识别率,且算法实现简单.     

基于Gabor滤波的辐射状模糊图像质量评价方法

针对相向运动成像的辐射状模糊图像,提出了基于Gabor滤波的图像对比度相似度图像质量评价方法.该方法利用对数极坐标Gabor滤波器模拟人眼视觉系统处理图像的方式,实现对图像频率和方位角同时滤波的功能.结果表明,该方法的评价结果与主观评价结果的相关系数达到0.95,是一种评价辐射状模糊图像质量的有效方法.     

基于Gabor小波和PCA的掌纹识别方法比较研究

掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术. 主成分分析(PCA)、二维主成分分析(2DPCA)、Gabor小波等则是生物特征识别的常用特征提取方法. 本文采用四种实验方案来比较研究基于PCA以及基于Gabor和PCA的掌纹识别特征提取性能, 用正确识别率和训练时间等参数来对其进行对比分析, 其结果可为掌纹识别系统选择特征提取方法提供一定理论参考.     

高分辨率掌纹图像的分割

研究了高分辨率掌纹图像的分割方法问题,将均值、标准差作为标准,实现了由纹线组成的掌纹图像的前帚分割。对于手指部分的干扰,将其分为孤立的手指部分和与手掌相连的手指部分分别进行处理,利用区域生长法提取最大连通域达到去除孤立手指部分的目的;利用轮廓跟踪法比较CD、PD距离,定位与手掌相连的手指部分的位置,从而实现将其去除的目标。实验结果表明,该方法很好地实现了高分辨率掌纹图像的分割,为后续的特征提取工作奠定了基础。     

基于Gabor滤波的图像质量分区指纹特征提取

基于Gabor滤波器的指纹图像质量分区方法,对指纹图像的各个分区进行了质量评价。然后对高质量分区直接进行脊线跟踪,提取细节特征点;对低质量分区先使用普遍使用的预处理方法,再进行特征提取。对若干幅低质量指纹进行了实验,得到了不错的实验效果,并且实验的效率和准确率也有所提高。     

基于SUSAN的指纹细节点提取算法

在整个指纹识别过程中，指纹图像的细节点提取至关重要．许多算法是先将脊线细化后进行提取，耗时较多，且易产生大量不易去除的伪细节点．作者将一般图象配准中常用的角点检测技术运用到指纹识别中，提出基于SUSAN的指纹细节点提取新算法．该法在传统的SUSAN上进行数项改进，使其适用于指纹图象，完成端点和分叉点的提取，再根据所产生伪细节点的分布情况将它们去除．此法计算简单、抗噪声能力强、不需事先对脊线进行细化．     

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。     

基于细化指纹图像特征提取的改进算法

文章深入研究了细化指纹图像细节点提取算法,针对常规提取算法中存在一定数量的伪细节点问题,提出了一种改进的细化指纹图像细节点提取算法。该算法在原有提取算法的基础上,在细节点提取中采用了邻域查找删除、边缘删除等措施。实验表明,该算法显著地减少了伪细节点的提取,是一种较为理想的细化指纹图像细节点提取算法。     

基于Gabor小波的特征提取技术应用

介绍人脸识别和小波技术,分析其工作原理,给出Gabor小波技术的基本特征和特征提取方法,提出了把Gabor小波技术应用于人脸识别技术中的实验步骤。     

掌纹图像的主线特征提取

掌纹特征的提取在掌纹自动识别系统中是一个必不可少的重要环节.本文首先用基于掌纹图像灰度特性的方法提取出掌纹的主线特征,针对存在的大量干扰点和断点,运用数学形态学进行了后置处理.实验表明,该方法能够有效地去除干扰点、连接纹线的断点,从而保证主线特征的稳定性与可靠性.     

基于Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.     

指纹细节特征提取算法研究

在研究了两种常用的特征点提取算法的基础上,提出了一种新的特征点提取算法,并给出了去伪算法．经实践表明,该算法可在一定程度上提高指纹特征点提取的准确率,从而提高整个指纹匹配系统的效率与准确率．     

基于Gabor滤波器的特征抽取技术

首先简介了2D Gabor函数,然后从样点的选取、Gabor滤波器参数设置、Gabor特征后处理等方面,综述基于Gabor滤波器的特征抽取技术,最后给出进一步的研究方向.     

基于改进SIFT 算法的掌纹图像拼接

为解决采集的掌纹图像不完整的问题, 改进了SIFT 特征图像拼接算法, 从而得到完整掌纹图像, 提出LoG-SIFT 特征点匹配拼接算法并设计一种剔除误匹配点对策略。实验结果显示, 改进后算法能增强手掌表面纹线特征, 显著提高特征点对匹配数量, 降低点对匹配错误率。     

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。     

基于迁移参考节点的指纹匹配方法

指纹识别通常采用节点模式匹配的方法，典型的方法是通过一对参考节点将输人指纹和模板指纹对齐，然后进行节点配对，以基于参考节点对齐的方法为基础提出了一种迁移参考节点的节点匹配方法，基本思想是从某初始参考节点开始得到一些匹配节点对，再以这些匹配节点对作为参考节点得到新的匹配节点对，如此反复，直到所有匹配节点对都被用来作为参考节点．用该算法在FVC2004 DB3上进行测试，结果表明，该方法提高了识别的正确率。