LST变换和手部几何特征融合的模糊掌纹识别

为了解决非接触采集时的离焦状况容易导致掌纹图像出现模糊现象,从而造成识别系统的性能降低的问题,在建立模糊模型并分析模糊现象机理的基础上,提出了一种新的解决方案。使用拉普拉斯平滑变换(laplacian smoothing transform,LST)提取模糊掌纹的低频系数作为稳定特征,提取手部几何特征即手指相对长度和宽度作为特征向量,将LST特征和几何特征进行融合,最后利用特征向量之间的欧式距离进行匹配和分类。在自建的SUT-D模糊掌纹图库上的测试结果表明该算法等误率可达7.01%,与融合之前及其他典型识别方法相比,等误率最高可降低13.11%,显示出该算法具备有效性,为解决模糊掌纹的识别问题提供了一条可行途径。

离焦状态下的模糊掌纹识别

针对掌纹识别时非接触信号采集可能出现的离焦状态会导致掌纹模糊,从而降低识别系统性能的问题,提出了一种基于稳定特征的模糊掌纹识别方法。建立了掌纹的离焦退化数学模型;在分析模糊机理的基础上,使用拉普拉斯平滑变换提取模糊掌纹的低频系数作为稳定特征,利用特征向量之间的欧式距离进行匹配和判别。文中给出了算法的步骤,并通过实验确定了需要选取的低频系数的个数。在建立的SUT-D模糊掌纹库上进行了识别测试,结果表明本文算法的等误率可达17.101 7%,与传统的DCT变换及Eigen Palm,Palm Code等8种典型识别方法比较,等误率最高可降低7.908 4%。这些结果显示本文方法不但能够提升识别效果,而且特征维数较低,改善了模糊掌纹识别系统的性能。

基于面法向量谱变换的网格光顺算法

微分坐标是刻画网格模型几何细节特征的有力工具,面法向量作为网格模型的一阶微分量,计算简单、不易受噪声影响,能真实反映网格模型的细节特征。基于此,提出一种改进的网格光顺去噪算法,使用信号处理技术中的谱网格处理方法,通过分解面法向量的拉普拉斯矩阵,将网格模型的面法向量变换到频谱域中,利用低频滤波器去除高频噪声得到连续的面法向量信号,基于三角面片重心约束条件重建网格顶点坐标,得到光顺的网格模型。实验结果表明,该算法使用的面法向量不易受到噪声影响,比顶点法向量更鲁棒,大幅提高了谱分解的效率,并且能克服光顺过程中产生的体积收缩、变形和过光滑等现象。

Laplace平滑变换在人脸识别应用中的问题及相关算法

本文通过根据定义直接计算的方法,得到"Laplace平滑变换及其在人脸识别中的应用"一文的Laplace矩阵,指出该文献的个别结果与其定义并不一致,其理论基础值得商榷.然而,该文对ORL和Yale人脸图像库的高识别率仍然的没有问题.同时也指出类似的现象也出现在由二阶差分导出的矩阵及相关的变换中.仿真实验表明,由此导出的人脸识别算法也具有非常高的识别率,并且具有更高的速度.

Laplace平滑变换及其在人脸识别中的应用

本文主要研究如何从最优化的角度出发,从图像中提取低频特征.首先,基于图像的局部梯度定义了一种图像频率,并基于这种定义,诱导出Laplace平滑变换(LST),将二维图像映射到一维的向量.然后,将LST与学习算法相结合,提出二步子空间学习算法.所提的基于LST的二步子空间方法,对于光照、表情、姿势具有鲁棒性.实验表明,在ORL,Yale和FERET人脸数据库上,基于LST的人脸识别算法,相对DCT,DWT和PCA等预处理算法,具有更小的识别误差.