基于Gaussian-Hermite矩和改进的Poincare Index的指纹奇异点提取

在指纹分类和匹配中,准确、可靠地提取奇异点十分重要.针对低质量指纹图像奇异点检测中精确定位和可靠性判断这一难题,提出了一种两阶段的奇异点提取算法.首先,针对现有Poincare index方法存在伪点检出较多和抗噪性较弱的问题,通过对其改进实现候选奇异点位置的确定;然后,再通过计算候选奇异点周围圆形邻域的Gaussian-Hermite矩分布属性值来判断其真伪.方法有效结合了奇异点周围邻域的纹线方向和纹线一致性信息,能够从指纹图像中较为准确、可靠地检测出奇异点.在NIST-4和南京大学活体指纹库上的实验结果验证了该方法的有效性和鲁棒性.在从NIST-4中随机抽取的500幅指纹图像上,奇异点的检测准确率为93.05%(Core点准确率为96.93%,Delta点准确率为86.43%).

Laplace-Gaussian滤波算子在指纹增强中的应用

本文介绍了传统的滤波方法的分类,在此基础了引出了本文的研究内容。通过分析Laplace-Gaussian算子边缘检测的原理,然后分析了Laplace-Gaussian滤波器对指纹图像增强的处理,对滤波器的掩模尺寸和参数选择进行了详细分析和选取。通过MATLAB编程使用不同模板对同一幅指纹图像进行处理,最终实验结果表明合理的参数模板能够较准确的增强指纹图像边缘,检测结果也优于其他的参数模板。

基于Gaussian-Hermite矩的指纹奇异点定位

在指纹分类和识别算法中,提取的奇异点(core点和delta点)数目和奇异点的准确位置是非常重要的.介绍了一种基于Gaussian-Hermite矩分布属性的自适应指纹奇异点定位方法,为了准确地确定奇异点,用到了指纹图像在多种尺度下的不同阶Gaussian-Hermite矩分布,并用一种基于主分量分析(principalcomponentanalysis,简称PCA)的方法分析指纹图像的Gaussian-Hermite矩分布.实验结果表明,该算法能够准确地确定奇异点位置.

基于FCM和DE-GPR的指纹库构建方法

针对室内定位中指纹库构建存在人力成本高、构建效率低的问题,提出一种基于模糊均值聚类(FCM)和差分进化算法(DE)优化高斯过程回归(GPR)的指纹库构建方法。FCM-DE-GPR算法通过模糊均值聚类和隶属度阈值划分指纹库局部模型,以挖掘无线信号的局部分布特征,并采用差分进化算法对GPR的超参数寻优过程进行改进,提高GPR的拟合精度。预测阶段根据K近邻原则确定扩展点的簇归属,使用相应的局部GPR模型进行预测,完成指纹库扩展。通过仿真与实验验证,所提算法将指纹库扩展至147%的情况下,平均预测误差相较于全局GPR降低了8.1%,具有良好的指纹库扩展精度。

一种基于树结构的高斯分布扩频指纹嵌入技术的方法研究

数字指纹是目前保护多媒体内容不受非法拷贝分配的最新技术。一定条件下,多媒体拷贝内容能够有效跟踪非法用户并抗击共谋攻击是其应用的关键技术。在多播环境下,考虑带宽影响研究了一种基于树结构的扩频指纹嵌入系统。该系统在高斯分布情况下,对一定的共谋攻击者,系统俘获其的概率比正交扩频指纹系统提高了约40%,从而增强了追踪非法用户的能力,进一步提高了指纹加密系统的鲁棒性。

基于高斯滤波与可信度判别的改进指纹增强算法

对现有指纹图像增强算法进行研究并提出了一种新的改进算法。利用Gaussian滤波器对指纹图像多次滤波计算指纹图像方向图,减小了噪声的影响;根据得到的方向信息对原有图像进行对应分块旋转并沿Y轴垂直投影得到图像的统计频率,算法简便;采用Gabor滤波器进行指纹增强,取整幅图像有效频率的均值作为该图像的频率,减少了计算量。并在此基础上利用一定的判别规则对二值化图像进行可信度判别,进一步改进了增强后图像的质量。该算法简单有效,易于实现。实验结果表明对于一定噪声的指纹图像仍有很好的增强效果。

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对RSS信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3m以内的定位误差,其定位性能明显优于传统单一高斯模型.

一种改进的高斯粒子滤波室内定位算法

在无线室内定位研究中,为减少离线指纹数据库建立阶段的大量数据采集工作,提出利用手机内置惯性传感器加速度数据,计算用户运动路径,在经过指纹点时自动采集该指纹点的数据,自动动态建立指纹库的方法。针对手机内置传感器采集的加速度数据存在非线性噪声等干扰,提出了改进的高斯粒子滤波GPF(Gaussian Particle Filter)算法,将加速度样本经改进滤波算法获得较好的估值后,再进行运动路径计算。对状态变量服从线性变化,观测方程为非线性变化的系统模型有显著效果。实验结果表明,经改进的算法计算出的路径效果优于高斯粒子滤波算法和卡尔曼滤波算法,并且减少了计算复杂度。新方法建立数据库后,节约了大量的离线数据采集工作,但是精度与传统指纹库方法相比基本一致。

一种改进的基于贝叶斯的位置指纹算法

针对传统的基于贝叶斯的位置指纹算法存在着后验概率可能为0以及计算量较大的问题,对算法进行了改进。离线阶段,选取固定的AP进行信息采集,防止突然加入的AP造成无法定位的情况发生,并采用高斯概率分布描述信号强度分布;在线阶段,通过判断信号最强的AP,去除一部分不可能的参考节点,以此减小计算量,同时对后验概率最大的若干个参考点进行加权处理,进一步减小误差;测试阶段,利用Android客户端采集数据信息,并在Matlab平台上进行仿真测试。结果表明,改进的算法可以有效地提高定位精度并减少计算量。

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型。定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型。实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低。

基于高斯过程回归和WiFi指纹的室内定位方法

为了提高室内定位的准确性,同时降低现场勘测的成本,提出了基于高斯过程回归和WiFi指纹的室内定位方法。首先,在离线阶段,采用高斯过程回归模型(GPR)来扩展WiFi指纹数据库,即通过对不同的GPR核函数进行训练,得到最佳的GPR预测模型,进而利用有限的已知数据预测未知区域的信号强度(RSS)。然后,在指纹匹配阶段中,根据离线阶段得到的RSS数据库,分别使用加权最邻近算法(WKNN)、最大似然估计算法(MLE)、和多层神经网络(MLP)对未知点进行定位。其中,为进一步提高定位精度,提出了误差修正模型,并应用到不同的定位算法中。实验结果表明,kRBF+kMatern+kRQ的核函数组合是最佳的GPR预测模型,平均RSS估计误差为4.59 dBm;与原始勘测地图实现的定位结果比较,基于GPR的定位算法具有更高的定位精度,其中GPR-WKNN算法的定位精度最高,其80%的定位误差为1.32 m,表明了使用GPR扩展地图预测位置的准确性和有效性,同时其能满足商品推荐与物资动态管理、应急救援、智慧停车、传染病患跟踪等新型应用场景对定位精度的高要求。

基于稀疏指纹采集和改进WKNN的定位算法

为解决位置指纹定位算法中指纹采集工作量大、定位精度低的问题,提出一种基于稀疏指纹采集和改进加权K最近邻(weighted k-nearest neighbor,WKNN)的定位算法。稀疏选定参考点并采集来自各接入点(access point,AP)的接收信号强度(received signal strength,RSS),根据容错四分位法对采集的RSS进行异常值预处理;利用经过预处理的指纹数据训练高斯过程回归(Gaussian process regression,GPR)模型,通过共栖生物搜索算法(symbiotic organisms search,SOS)求取模型最优超参数以提高模型的泛化能力,进而预测定位区域内非参考点的RSS;由有限参考点数据通过SOS-GPR模型的训练与预测生成密集位置指纹库,结合由卡方距离和AP加权改进的WKNN算法完成仿真验证。实验结果表明,在保证定位精度的前提下,稀疏指纹采集法较传统全采集法减少50%的采集工作量;与原WKNN算法和M-KWNN算法相比,提出的WKNN算法有效提高了定位精度。

基于MATLAB GUI的指纹图像增强技术研究

指纹识别作为生物识别技术中最可靠最常用的识别技术,广泛应用在经济、安全等领域。本文介绍了利用高斯-拉普拉斯算子进行指纹图像增强的方法,重点阐述了利用MATLABAGUI进行指纹图像增强的设计方法和实现过程,对于开发基于图形用户界面的图像处理软件以及相关的图像处理问题有一定的借鉴意义。

1种抑制巷道信号NLOS的矿井RSSI高精度定位算法

在RSSI(Received Signal Strength Indication)测距定位技术中,为抑制巷道信号NLOS(Non Line of Sight)传输对定位结果的影响,提出信号指纹定位和几何优化算法。在离线阶段利用高斯滤波最大值加权法和最小二乘法建立符合矿井巷道环境的无线信号测距模型,设计改进卡尔曼滤波器平滑处理离线信号值,抑制巷道信号NLOS传输带来的影响,建立离线信号指纹库;在线定位阶段,利用加权K最近邻法(WKNN)将定位目标接收到的信号值与指纹库中的信号值进行匹配,将匹配到的最优信号值参与测距定位计算,最后通过几何优化算法将定位结果归一化处理,使其符合一维定位分布。结果表明:所提算法的平均定位误差为0.9 m,相比于高斯滤波最大值加权法、经典卡尔曼滤波指纹定位算法和改进卡尔曼滤波指纹定位方法,其平均误差分别减小2.36,1.17,0.35 m。所提算法能够有效抑制巷道信号NLOS传输对RSSI测距定位的影响,可实现RSSI方法在矿井NLOS环境中的有效应用。

基于三高斯滤波的低质指纹图像增强方法

低质指纹图像在司法刑侦过程中普遍存在,往往需要人工参与鉴别.因此,符合人类视觉特性的指纹图像处理方法研究具有一定的实用价值.将非经典感受野三高斯数学模型引入指纹图像处理,提出一种新的低质指纹图像增强算法.首先通过三高斯单边滤波获得邻域图像的主观感觉亮度;然后对指纹图像进行局部对比度增强.通过分析研究指纹脊谷交替分布的特性,结合三高斯模型自身特性,得到针对指纹图像的三高斯单边滤波的参数自适应模型和局部对比度调整参数.对比实验结果表明,该方法取得了整体和局部的亮度增强效果,突出灰暗区域的细节特征,尤其适用于低质指纹图像的处理.

基于互信息的高斯指纹方案

在高斯指纹系统中,指纹的嵌入与检测须服从均方失真限制,以获得较好的保真度。根据概率统计理论,分析了基于阈值相关检测的传统指纹方案中指纹编码速率、均方失真限制以及共谋人数之间的关系,并指出阈值相关检测方法的缺点,即当编码速率大于容量范围的某个值时检测器性能较差。为了解决容量限制的问题,提出一种在限定均方误差的条件下取得数字指纹基本容量的高斯指纹方案。利用互信息游戏理论,提出最大惩罚高斯互信息的指纹检测方法,有效地解决了传统指纹检测方法存在的问题。根据指纹容量的数学模型,推导出指纹容量的表达式。

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。

基于人工鱼群优化的BP神经网络WiFi指纹室内定位方法

针对传统的基于反向传播(BP)神经网络室内定位算法存在着低精度和慢收敛问题,且考虑到室内环境复杂,通常存在多径效应,无法使用信号强度衰减测距模型进行精确定位,提出一种改进的人工鱼群优化的BP神经网络WiFi指纹室内定位算法.利用人工鱼群觅食和寻优方式来提高全局寻优搜索的速度和能力,采用改进的人工鱼群算法(IAFSA)优化选取室内定位BP神经网络的权值和阈值,有效避免了传统BP神经网络的预测值易陷入局部最优的缺点,同时利用高斯滤波对信号进行去噪处理,建立采样点获取到的信号强度值(RSSI)与位置坐标的关系.实验结果证明所提方法与传统的BP神经网络方法相比,平均定位误差减少了0.75 m,平均定位精度提高32.2%,提高了定位可靠性,算法具有更好的稳定性.

基于高斯过程的无线信号指纹定位算法

基于Wi-Fi接收信号强度的室内定位技术因其良好的定位性能获得广泛关注。为了提高定位精度,需要构建高密度信号指纹数据库。但是创建与维护数据库需要投入大量人力物力,高密度信号指纹数据库还会增加定位所需时间,实时性难以得到保证。针对上述问题,提出一种基于高斯过程的两阶段信号指纹定位算法:利用高斯过程,在训练数据库基础上,生成高密度虚拟信号指纹数据库;定位过程中首先使用训练数据库确定大致范围,然后使用虚拟数据库进行精确定位。仿真结果显示,该算法与K近邻算法相比定位精度平均提高了81.9%,定位时间平均减少86%,从而验证了算法的有效性。

基于GF-KF修正RSSI的室内指纹定位方法

针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示(RSSI)与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法.由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值.在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻(WKNN)匹配算法进行定位.实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06%,定位效果优于同类方法.