掌纹识别技术总结介绍.doc

依据哪些判断掌纹：主线、皱纹、细小的纹理、脊末梢、分叉点 掌纹中最重要的特征是纹线特征 点特征需要在高分辨率和高质量的图像中获取，因此对图像的质量要求较高。 纹理特征，主要是指比纹线更短、更细的一些纹线，但其在手掌上分布是毫无规律的。 利用掌纹的纹线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。 有比指纹更好的分辨能力和更高的鉴别能力。 训练样本录入阶段和测试样本分类阶段 测试样本分特征提取步骤后，送入分类器进行分类。 这两部分都包括以下三步：掌纹图像采集、预处理以及特征提取 掌纹图像采集 预处理 特征提取：经过预处理的信息数据往往十分庞大。因此需要对信息数据进行特征提取和选择，即用某种方法把数据从模式空间转换到特征子空间。使得在特征空间中，数据具有很好的区分能力。 分类决策：分类是将样本的特征空间划分为类型空间。对于给定的未知模式，确定其为类型空间的某种模型。特征提取和选择在很大程度上影响了分类效果，而好的分类器设计和方法也会提高系统分类性能。 1）点特征需要在高分辨率的图像中提取。若点的数量较多，则匹配时需要大量的计算消耗。线特征明显稳定，表示方法简单，特征空间小。但是，点特征和线特征无法表示掌纹纹线的深浅和力度，并且受噪声的干扰较大。 Gabor滤波、小波变换、傅里叶变换、局部能量。 掌纹可以被认为是无规则但在个体间独一无二的一种纹理。目前有很多方法是针对纹理分析处理掌纹图像的。如Gabor滤波[18~20]、小波变换[21~23]、傅立叶变换[24]和局部能量[25]等方法。与指纹相比，掌纹上有很多折痕，Wu提取有向线能量特征将这些折痕特征向量化[25]，用于掌纹识别。李文新通过傅立叶变换将掌纹图像变换到频域[24]，然后再将变换后的图像分别计算R能量和 能量，最后通过分级匹配方法对提取的特征进行匹配识别。 　　Kong等人将虹膜识别[26]中的基于二维Gabor的相位编码方法用于掌纹图像的特征提取。该方法把Gabor滤波后的图像进行相位编码，称作PalmCode，这样在特征向量中只保存了相位信息。由于这种算法只采用了一个方向的Gabor滤波器提取掌纹图像的特征，掌纹图像其他方向的信息丢失。文献在这种算法的基础上进行改进，提出了采用4个方向的Gabor滤波器同时提取掌纹图像的相位特征，然后通过融合准则将这4个方向的相位特征融合为一个，称为FusionCode。这种算法很好的利用了Gabor滤波器的方向性，使得算法的正确识别率大大提高。但是，这种算法需要计算4次Gabor滤波器与图像的卷积运算，使得计算复杂度明显增加。 3）基于子空间的特征提取指的是将掌纹图像通过映射变换或是矩阵运算，实现从样本空间到特征子空间的转换。根据映射变换的性质，变换后的子空间可分为线性子空间和非线性子空间。目前运用在掌纹识别上的多为线性子空间方法。 主成分分析是多元变量统计中的一种降维技术。这种方法认为任何一幅图像都可以分解为一系列向量与系数的线性组合，该系数彼此不相关，并且服从高斯分布，将其中包含信息成分最多的向量方向视为主要组成成分方向。具体实现是将掌纹图像按行展开后，所形成的一维向量进行K-L变换，获得其正交的n维K-L基底，以对应前m个最大特征值的基底张成的子空间，将掌纹图像投影到该子空间上，实现维数的降低以减少计算复杂度。其中，对应较大特征值的基底具有类似掌纹图像一样的纹理，被称作特征掌，可以利用特征掌集来描述掌纹[28,32]。二维主成分分析是在主成分分析的理论基础上建立起来的，他与主成分分析不同之处主要在于它是直接基于二维矩阵的变换，而无需先将二维图像化为一维。文献[30,31]采用了二维主成分分析的方法对掌纹图像进行特征提取。 　　Fisher是线性判别中的经典算法，该算法的主要思想是：在一般情况下，总可以找到某一个或某一些投影方向，使得样本投影在该方向上的结果能够符合类内离散度最小、类间离散度最大的标准。即投影后的模式具有最佳的可分离性。文献[33,34]采用Fisher算法对掌纹图像进行分类识别，取得了很好的效果。 　　子空间法提取特征具有描述性强，计算代价小，易实现和可分性好等特点。使用较少的特征向量数目就能够取得较高的识别率。但PCA方法的本质决定了在该方法下得到的特征在一般情况下是最佳描述而不是最佳分类特征，这不利于分类匹配。FLD方法同样能大大降低原始特征空间的维数，并且和PCA方法相比，FLD方法对光照条件更为不敏感。 用竞争编码的方式，将Gabor滤波器提取的6个方向的掌纹图像的相位信息融合。匹配级的融合[36~38]，也就是从粗到细，不同匹配层次采用不同特征，例如粗匹配层次采用纹理能量作为特征，精匹配层次提取点特征进行匹配。You利用多种特征对掌纹进行分层编码，以实现在大规模掌纹数据库中进行