基于OMAP3530的嵌入式多光谱掌纹识别系统

基于OMAP3530双核平台实现一个嵌入式多光谱掌纹识别系统。采用Palm Code掌纹识别算法,通过融合掌纹与手掌静脉提高系统防伪性,同时使算法的准确率从可见光的91.33%提高到95.33%。在OMAP3530实现时,让具有强大运算能力的DSP处理器专注于复杂的特征提取运算,ARM处理器则负责图像采集、外设控制、任务调度及用户交互。所设计的系统集成图像采集模块和中心处理主板,识别率高、防伪性强并且具备实时处理性能。

基于局部联合边缘和方向模式的多光谱掌纹融合识别

针对掌纹图像边缘梯度特征和方向特征较突出的特点,提出一种新的局部联合边缘和方向模式,用于提取多光谱掌纹特征。首先,采用Kirsch算子计算掌纹图像在8个不同方向的边缘响应值,并提出局部最大边缘模式描述边缘特征。采用Gabor滤波器或改进的有限Radon变换提取掌纹图像的方向特征。然后对边缘特征和方向特征进行联合分析,构建二维特征矩阵。在MSpalmprint掌纹库上的实验结果表明,与现有的掌纹识别方法相比,基于局部联合边缘和方向模式的方法具有更高的识别率、更低的等错误率和更快的识别速度。最后,利用求得的等错误率对各光谱下的匹配分数进行加权融合。其中,对Green、Red和NIR三种光谱的掌纹进行融合识别后的等错误率最低为0.0001%。

基于光谱融合的掌纹精细纹路提取

针对掌纹中浅而细小的精细纹路,提出一种光谱融合的非下采样Contourlet变换(NSCT)与数学形态学细化相结合的掌纹线特征提取方法。该方法先对不同光谱下的掌纹图像分别进行NSCT分解,根据精细纹路特点处理子带系数矩阵,结合光谱特点融合各系数,逆变换后进行形态学细化得到掌纹精细纹路特征。使用自行采集的多光谱掌纹图像实验表明,本文方法提取出的浅而细小的掌纹精细纹路更清晰丰富。

面向多光谱掌纹图像采集系统的光学薄膜滤光片设计

设计了一组应用于多光谱掌纹图像采集系统的光学薄膜滤光片。根据手掌皮肤在可见、近红外光谱波段反射率不同的特点,研究了掌纹识别滤光片的光谱特性参数及膜系设计。为提高系统获得的掌纹图像质量,采用四通道滤光片设计方案,光谱特性参数要求如下:中心波长为λ_(1)=470 nm、λ_(2)=520 nm、λ_(3)=630 nm、λ_(4)=880 nm;各通道的半宽度在8~12 nm范围内,透射率大于90%,平均截止背景深度大于OD6(即光谱透射率T<10^(-6))。

基于多光谱图像融合的掌纹识别方法

生物特征识别在信息安全领域发挥着重要作用,掌纹识别作为一种新型生物特征识别方式,具有低失真、非侵入性和高唯一性等优势。传统掌纹研究大多使用自然光成像系统以灰度格式获取,识别精度很难进一步提升。为了获得更多的身份鉴别信息,提出利用多光谱掌纹图像代替自然光掌纹图像。针对现有掌纹识别算法由于没有考虑到不同光谱的特性而导致纹理细节丢失,识别精准率低的问题,提出了一种基于多光谱图像融合的掌纹识别算法。该方法通过对不同光谱下的掌纹图像进行快速自适应二维经验模式分解(FABEMD),将多光谱掌纹图像分解成一系列频率由高到低的二维固有模态函数(BIMF)和一个残余分量,残余分量可被视为该光谱图像低频信息的初步估计。图像采集过程中光照条件很难保持稳定,而近红外光谱图像在进行FABEMD分解时对光照变换敏感,容易导致分解后的BIMF背景信息过于冗余;因此对分解后的近红外掌纹图像进行背景重建及特征细化,在对背景冗余信息进行平滑处理的同时可以有效增强高频信息的特征表达。为避免直接融合处理后引发的图像过度曝光问题,提出对近红外特征压缩后再融合。此外,提出了一种结合了注意力机制的改进残差网络(IRCANet),用于融合后的掌纹图像分类,在网络中引入分阶段残差结构,缓解了网络的退化问题,在学习过程中有效地减少信息丢失,对于融合后的多光谱掌纹图像,分阶段残差结构能够稳定地将图像信息在网络间传输,但对图像中的高低频信息区分效果不够显著,为了使网络关注更多区分性特征,利用特征通道间的相互依赖性,在分阶段残差结构中结合了通道注意力(Channel Attention)机制。最终,在香港理工大学(PolyU)多光谱掌纹数据集上进行的综合实验表明,该方法可以取得良好的效果,算法识别准确率能达到99.67%且具有良好的实时性。