基于方向投影的自动掌纹基准点检测

利用掌纹进行自动身份鉴别是对基于生物统计的身份鉴别技术的重要补充，掌纹的定位则是身份自动鉴别中一项重要的基础性工作。作为初步的研究，尝试对掌纹的基准点进行定义并提出了一种自动检测掌纹基准点的方法。利用这种快速简单的基于方向投影的方法对大量的掌纹图进行测试，其中９５％的基准点能被精确检测。     

利用掌纹进行身份自动鉴别方法的研究

利用掌纹进行身份鉴别是一项开拓性的工作,是对基于指纹和掌型的身份鉴别技术的重要补充。在分析掌纹特点的基础上,提出了利用掌纹进行身份自动鉴别的方法：基于掌纹几何和结构特征的身份验证方法和基于掌纹细节特征的身份识别方法。通过实验,论证了上述方法的可行性和有效性,从而为基于掌纹的身份自动鉴别技术的研究积累了有益的经验。     

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。     

基于局部方向场散列的掌纹快速辨识方法

面向大规模人群身份辨识的掌纹识别系统有广阔的应用前景。为了加速系统的响应时间,提出了一种基于局部方向场散列的快速掌纹识别方法局部方向场散列(LOFP hashing)。该方法首先使用一种方向特征双编码的方式,解决了传统编码方式不稳定、精度差的缺点。然后提出一种特征窗口化的处理方式,即局部方向场模式,加速目标掌纹的检索。在香港理工大学大规模掌纹数据库Hong Kong PolyU large-scale database,中国科学院掌纹数据库CASIA database以及一个大规模模拟数据库上进行对比实验,结果表明,提出的方法在基本不损失精度甚至有所提高的前提下,可以显著加速辨识速度。因此,LOFP hashing可以有效提升面向大规模人群掌纹识别系统的性能。     

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。     

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。     

基于小波变换的掌纹特征提取

掌纹中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。为了提取该特征,提出了一种基于原始灰度图像的小波变换的新算法。由于该算法直接对原始的灰度图像进行处理,而无需对图像进行预处理(例如图像增强、滤波、区域分割、二值化、纹线细化等),因此它与传统的细节特征识别方法相比大大减小了计算消耗。对一个小的掌纹图像数据库,使用K近邻(K-NN)的分类器对算法进行了实验,得到了很高的分类正确率,验证了算法的有效性。     

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.     

基于遗传算法的神经网络指纹自动分类

研究指纹的自动分类问题对解决大容量指挥库的匹配实时性有着重要的意义。笔者提出了一种新的指纹自动分类方法。该方法通过求取指纹方向图抽取了指纹的纹形特征,并将其送入神经网络进行分类识别,网络连接权系数采用遗传算法进行学习寻优,克服了单纯BP算法训练时间长、易陷入局部极值的缺点,同时提高了网络全局收敛的效率。测试结果表明,基于遗传算法的多层前向神经网络分类器对指纹图象的分类有良好的性能。     

一种改进的掌纹定位算法

定位掌纹图像中的信息区域ROI(region of interest)是掌纹图像预处理中一项重要的内容.现在的掌纹ROI定位方法都是以边缘提取为基础的.然而边缘提取有其局限性,在一些情况下,无法利用提取的边缘定位一个有效的ROI.提出了一种改进的ROI定位方法,利用二值掌纹镶嵌图来取代传统的边缘提取定位掌纹ROI.与以边缘提取为基础的算法相比,此算法显著地提高了ROI定位的鲁棒性.     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

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。     

自动指纹识别技术的发展与应用

自动指纹识别技术是利用人类指纹的唯一性，通过对指纹图案的采样、特征信息提取并与库存样本相比较的过程来实现身份识别的技术。与帐号＋密码、IC卡等传统的身份识别手段相比，自动指纹识别技术具有不完全丢失、不会遗记、唯一性、不变性、防伪性能好和使用方便等优点，已经逐步在门禁、考勤、金融、公共安全和电子商务等领域得到应用。介绍了自动指纹识别技术的研究现状和指纹特征定义和提取、指纹比对等主要研究内容，分析了该技术面临的主要困难：指纹采集、指纹分类和缺乏相应的系统性能评价体系，提出了该技术的发展方向为非接触式复皮层指纹采集、兼容主流采集设备的识别芯片的开发和多种生物识别技术的融合，对该技术的发展进行了预测。     

基于调制特征的飞机目标自动分类

为了解决防空雷达飞机目标自动分类问题.依据飞机旋转部件对雷达电磁波的调制机理、调制特性模型和防空雷达回波特殊性,在时域用相对量分析法提取了幅度、相位调制特征,在频域用复AR双谱分析法提取了调制周期特征.提出了基于幅度、相位、周期3种调制特征的逐级最近邻分类法,对来自20条航线不同姿态的3类8种飞机回波进行了自动分类实验,并讨论了每种调制特征对飞机分类的效果.结果表明3种调制特征和逐级最近邻分类法能有效用于防空雷达飞机目标的自动分类.     

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。     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于随机森林的文本分类模型研究

随着WWW的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术．随机森林模型是决策树的集成，并且由一随机向量决定决策树的构造．当森林中的决策树的数目增大，随机森林的泛化误差将趋向一个上界．将随机森林模型应用于文本分类，在Reuter21578数据集上的实验表明，分类效果比较好，性能比较稳定，将共同C4．5，KNN，SM0，SVM4种典型的文本分类器进行了比较，结果显示它的分类性能胜于CA．5，同KNN，SMO和SVM方法相当．     

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.