中期进展报告--阳升.ppt

* 基于人体手指静脉图像的特征提取算法的研究 指导老师:李丽娟 教授 报 告 人:阳升 研究方向:图像处理 * 报告主要内容 选题背景及意义 研究内容及方法 已完成工作 下一步工作 1 2 3 4 * 1、选题目的 随着生物特征识别技术在日常生活中日益发挥出巨大的作用，基于不同特征信息识别方法层出不穷，而作为对生物识别技术的有力补充，手指静脉识别技术一经提出就得到了广泛的关注。然而这一技术尚不成熟，在图像的特征提取与匹配方面仍存在一些问题，促使本文对这个问题加以研究，这就是本论文选题主要目的。 * 2、研究内容及方法 本课题研究的主要内容是手指静脉图像的特征提取算法的研究。 （1）对于图像库中每一副图像，利用Haar函数做三层小波变换，得到不用尺度的小波子段图像序列，提取低频子带图像A，降低了原图像的维数，同时也消除了高频子带上的冗余信息，有利于后序的分类。 （2）选取一定数量的对训练样本图像进行基于行的2DPCA变换，获得投影矩阵 （3）对训练样本图像进行基于列的2DLDA变换，获得投影矩阵 （4）将低频子带图像A同时投影到 和 ， 得到特征矩阵 （5）采用最近邻法进行分类识别。 * 2、研究内容及方法 (1)特征提取和识别系统如下图所示 2、研究内容及方法 (2)小波变换 一副图像经过一层二维小波变换后，被分成 四个子图， 其中， 频带为原图像的低频分量， 频带为水平细节分量， 为垂直细节分量， 为对角细节分量。实验中提取的是图像低频分量，即可以降低图像矩阵维数，也可以消除冗余信息。 * 2、研究内容及方法 （3）2DPCA算法简介 通过训练一定数量的样本图像，得到它们的总体散度矩阵 G ,求取该矩阵的前 p个最大特征向量值，得到投影特征矩阵。该算法进行训练的时间比较短，但是没有用到样本的类别信息，因而进行特征识别和分类的时间比较长。 * 2、研究内容及方法 (3)2DLDA算法描述 该算法通过训练样本图像得到类间散度矩阵 和类内散度矩阵 ，然后求取 的特征值和特征向量，选取前q个最大特征向量值，得到投影特征矩阵。该算法充分利用了图像的分类信息，识别时间相对2DPCA较短，但是训练时间加长了。 * * 3、已完成工作 （1）图像的分辨率归一化 选取40个人，每个人10幅不同时期的手指静脉图像，将这些图片转换为76*170，便于实验算法的进行 （2）选取40个人的前6幅作为2DPCA算法的训练样本，后4幅作为测试样本，选取不同数量的投影轴进行实验，得到不同的识别率和测试时间 （3）针对2DPCA和2DLDA算法的优缺点，将两种算法结合起来进行实验。将图像进行基于列的2DPCA变换，选取p个投影特征数，然后再进行基于行的2DLDA变换，选取前q个投影特征数，最后得到一个p*q的特征矩阵，用于测试样本的识别。 * 3、已完成工作 （4）为了提高识别速度和识别率，本文提出一种改进的算法。将这400幅图像利用Harr函数进行小波变换，提取它们的低频分量LL，将LL直接作为图像新的训练样本，再进行2DPCA+2DLDA算法，经实验对比得出，该算法识别速度明显提高，识别率增加。 * 4、实验结果 （1）2DPCA算法 选取40个人的前6幅做训练样本，后4幅做测试样本，通过不同的投影轴数目，得到不同的识别率和识别时间。 投影轴数目 识别时间(s) 识别率 d=1 t=0.562227 0.9938 d=2 t=0.595316 0.9938 d=3 t=0.720688 0.9938 d=4 t=1.043525 0.9938 d=5 t=1.104387 1 * 4、实验结果 （2）2DPCA+2DLDA算法 选取40个人的前6幅做训练样本，后4幅做测试样本，通过不同的投影轴数目，得到不同的识别率和识别时间。 2DPCA投影 2DLDA投影 识别时间（s） 识别率 p=5 q=5 t=0.4540 0.9938 p=10 q=5 t=0.4377 1 p=10 q=10 t=0.6366 1 p=15 q=5 t=0.4416 0.9938 p=15 q=10 t=0.6487 0.9938 p=15 q=15 t=0.8819 0.9938 * 4、实验结果 （3）小波变换+2DPCA+2DLDA算法 将图像库中所有图片进行小波变换，提起