基于手指融合特征和粒子群优化的手形识别

针对基于手部几何特征的手形识别方法可利用的个体信息有限的问题,提出了一种将手指轮廓特征与几何特征相融合的身份识别方法。该算法首先分离手指,采用曲线拟合算法定位手指中轴线;然后采用分步对齐方法规范化手指,并提取手指轮廓特征和几何特征;最后采用粒子群算法对手指截取系数和权值系数进行优化,以进一步提高识别准确率。实验结果表明:采用该方法后,识别率可达98.61%。该方法手指定位更准确,更充分地利用了手部信息,且避免了特征点定位不准及手指根部不稳定轮廓特征对识别准确率的影响,具有较高的识别率和良好的鲁棒性。

基于手指骨架提取的手形识别方法

针对使用非接触式手形采集仪采集手形时,手掌图像的指根处轮廓会因手掌张开幅度不同而出现不同程度的变形,增加手形精确定位和手形识别的难度这一问题,提出一种不受指根处轮廓变形影响的手形识别算法。该算法首先提取出细化的手指骨架,其次拟合手指骨架并定位手指中线,然后提取与指根部无关的指形特征,最后,计算注册样本与待识别样本的差异特征统计值并进行判别决策。研究结果表明:本文提出的手形识别算法对指根处轮廓变形有着较强的鲁棒性,识别率可达99.62%。

基于手指轮廓的手形识别算法

针对手形识别中手掌形状稳定性低的问题,设计了一种基于手指轮廓的手形识别算法。该算法首先从手形图像中分离出五指,然后拟合手指轮廓定位手指中轴线,接着依据手指中轴线重合注册手指和待识别手指,最后计算手指重合面积比。与已有的基于轮廓的手形识别算法相比,该算法的识别率高达99.890%,说明了提出的算法充分利用了手指轮廓的稳定性,规避了指根处轮廓的不稳定性。

基于压缩相对轮廓特征点的手形识别

为解决生物识别中,手形特征维度高、计算量大、易受图像背景及手掌位移干扰等问题,提出一种基于压缩相对论廓特征点的手形识别方法.建立了手形轮廓相对于手形轮廓质心的坐标系,通过等间隔取点法寻找综合计算性能和准确率最好的手形特征点数量,以此数量等间隔提取手形轮廓,并用压缩特征点坐标作为手形识别特征.采用支持向量机作为分类器对不同手形特征进行识别,准确率达98.25%.

手形识别技术在图书馆管理中的应用

文章简要介绍了生物认证的概念、优点,重点介绍了手形识别系统,以及该系统在图书馆管理过程中的应用。

基于DSP的手形识别系统设计

信息安全越来越受到人们的重视,手形识别是一种生物特征识别技术,其接受性好、稳定性高、简单可靠,已经广泛应用于身份识别领域。基于DSP的手形识别系统具有成本低、体积小、效率高等优点,受到人们关注。本文设计一种基于DSP的手形识别系统,介绍了手形特征提取方法,设计了以TMS320DM642为核心的手形识别系统结构和软件框架。结果表明,该系统能够准确提取手形几何特征,实现了识别功能。

约旦研究人员通过手形识别恐怖分广

约旦莫塔大学（Mu＇tah University）的一项最新研究可以通过恐怖分子在视频或照片中摆出的“剪刀手”识别他们的身份。首先，研究人员通过拍摄50个不同年龄、性别人员的“剪刀手”照片，创建了一个500幅图像的数据库。

基于手指相对长度的手形识别方法

针对手指长度具有可测量的特性,提出了一种基于手指相对长度进行身份识别的方法。首先通过曲率的方法定位特征点,依据特征点计算手指的绝对长度;然后应用绝对长度间的相对长度构成特征向量;最后计算特征向量间的欧式距离,实现身份识别。实验表明,通过人工测量254个人的手指长度,利用手指的相对长度进行身份识别可以达到80.86%的识别率;从中选择180个人进行试验,应用本文的特征提取和匹配算法可以达到78.52%的识别率,识别效果接近实际测量值。

手形、掌纹和掌静脉多特征融合识别

单一生物特征识别技术无论是在识别率还是稳定性上都不能达到完美无缺,特别是高仿生物特征的出现使其安全性受到质疑。针对上述问题,提出一种手形、掌纹和掌静脉多特征融合识别方法。提出了基于小波变换Gabor滤波器的特征层和图像层融合策略,将同一设备不同光照采集下的掌纹和掌静脉融合到一起,突出各自的主纹理特征;利用手指相对长度为手形特征进行初匹配,提出利用分块纹理基元模型进行掌纹和掌静脉融合图像的特征提取方法,然后进行二次匹配给出最终识别结果。开发了模拟系统并进行了相应的实验,结果表明该识别系统充分发挥了3种特征各自的优点,提高了识别率和稳定性,特别是掌静脉的加入增强了系统的安全性。

基于手形交互与掌纹识别的增强现实应用

针对现有增强现实系统交互方式的不足,提出并实现了一种基于手形交互与掌纹识别的增强现实应用。提出了一种用于快速识别手形轮廓及其运动轮廓的匹配方法。利用一种改进的快速蚁群聚类算法来获取掌形的中心,建立相关的渲染坐标系,从而精确注册虚拟物体。同时,针对个性化应用需求,提出了一种能够在增强现实系统中应用的Harris快速掌纹识别算法。实验表明,识别算法具有较好的跟踪精度和实时性,能够满足增强现实系统的应用要求。

基于深度学习的手绘图形识别的研究

为了更好地去研究深度学习理论与算法在手绘图形的实际应用,论文通过采集手绘图形的HOG特征,采用常用的识别方法K近邻(KNN)、随机森林、SVM、逻辑回归与卷积神经网络中经典模型LeNet比较手绘图形训练识别的准确率,识别速度。研究发现LeNet模型训练与其他几种主流的手绘图形识别方法相比具有良好的准确率,对于十分类的手绘图形识别正确率最高可达93.7%。经过对手绘图形识别做进一步的探究,将最后对深度学习在手绘图形识别领域做一个总结。

基于指纹和手形加权识别及学校信息管理系统的应用

指纹识别技术是近年来迅速发展起来的生物识别技术之一。本文针对指纹识别过程中存在着不确定性和模糊性等问题,将手形作为指纹识别的辅助手段,同时采用模糊综合的方法将指纹和手形进行加权信息融合,来提高生物识别的准确率,为学校信息管理系统提供了新的解决方案。

全手形特征的生物识别技术综述

全手形特征多模态生物识别是结合指纹、手形和掌纹的全手形特征信息,具有信息更全面可靠的独特优势,能有效地提高生物特征识别的准确率。简述了全手形生物特征识别技术的基本原理和一些关键技术,对目前流行的各种单模态和多模态生物特征的优势和不足进行了分析,并对生物特征识别技术中存在的问题和未来的研究方向进行了讨论。

手绘非规则军标图形的结构化识别方法

在基于草图的态势标绘系统中,线状和面状军标图形通常是依具体地形、战况、意图等标绘的,没有规则的形状,难以采用基于表观的方法进行识别。针对这类手绘非规则军标图形提出了一种结构化识别方法,基于非规则军标图形集的特点定义了9种图元和4种图元间空间结构关系,将图形表示为图元向量和图元结构关系矩阵,通过匹配图元向量和图元结构关系矩阵来识别图形类别,并估计未知图形与模板图形之间的图元对应关系。实验结果表明:本文方法能有效克服图形形状变化的影响,对手绘的常用非规则军标图形的类别和图元对应关系具有较高的识别正确率和识别速度。

基于手形和姿态的军用动态手势识别方法研究

针对士兵在训练军用作战手势时无统一判别标准的问题,提出了一种通过识别手部细微动作和手臂姿态动作,按既定的时序输出识别为军用手势的方法。使用MYO臂环获取表面肌电和加速度信号,采用巴特沃斯滤波对信号进行预处理,使用移动平均阈值法确定动作区间,分别提取肌电信号特征和加速度信号特征,输入到支持向量机(SVM)和BP神经网络分类器,实现了军用动态手势的分类,并将识别结果可视化实时显示。结果表明:该方法可实时识别14种复杂军用手势,使用SVM分类效果更好,整体识别率可达91%,可用于帮助士兵训练军用作战手势。

基于人手自然张开的多生物特征识别

手形和掌纹作为人手重要的生物特征可以用来进行身份识别。在人手自然张开、非接触式的采集条件下,基于手形识别匹配速度快和掌纹识别的识别率高的优点,采用基于匹配层的手形和掌纹融合方法,克服了单一手形识别的识别率低和掌纹识别匹配速度慢的缺点。手形采用手指的相对长度作为特征矢量,掌纹采用2D-Gabor对掌纹感兴趣区域(ROI)进行滤波,提取掌纹纹线的方向信息作为特征。在混合图库上进行实验,二者相结合的组合识别方法的识别率达到98.57%,减少了匹配时间。同时也研究了对于不同距离采集的手掌图像,实验结果表明手形和掌纹相结合的组合识别方法优势更为明显。

基于特征融合的手形匹配算法

手形识别是生物特征识别的重要组成部分,手形匹配是手形识别的关键。目前常用的方法有特征矢量法(CVM)和点匹配方法(PPM)两种,这两种方法在对手形进行匹配时各有优点,也有局限性。提出一种多特征融合的手形识别算法,使得两者能够有效的结合起来,提高了手形匹配的准确性和鲁棒性。

手指宽度选取与识别率对应关系分析

手指宽度是手形识别的有效特征之一,而选取的测量点个数影响识别的准确率和时间。本文研究了选取手指宽度的个数与识别率、匹配时间的对应关系,以用于根据不同的识别率要求估计不同人手选取的宽度个数。实验论证了在定位准确、每个手指选取的宽度个数不少于3个的条件下,识别率可以达到90%以上。提出了自动识别算法,利用曲率法定位特征点,根据特征点计算手指的绝对宽度,应用绝对宽度之间的相对宽度构成特征向量,计算特征向量之间的欧式距离,实现身份识别。实验获得了手指宽度个数与匹配时间的对应关系以及手指宽度个数与识别率的对应关系曲线。结果表明,每个手指选取6个宽度时,就可以获得区分个体的特征量,识别率达到94.03%。

手形特征点定位方法

针对特征点定位的准确性影响识别精度,提出手形特征点的定位方法。首先采用基于直线拟合的方法确定手指的指尖点,然后基于方向跟踪的方法定位手指指根点,最后细定位指根点。基于特征矢量匹配算法的识别结果表明,人工测量识别率为84.62%,自动定位的识别率为84.35%。该方法能准确提取手形特征,具有可行性。

模糊神经网络在指纹与手形信息融合技术中的应用

为解决脱皮、有伤痕等低质量指纹识别困难、识别率低及稳定性差问题。提出手形作为指纹识别的辅助手段,采用模糊神经网络的身份识别方法,将指纹和手形进行信息融合,通过仿真实验,表明此方法实用、有效,能提高系统的识别率及稳定性。可广泛应用于刑侦、金融等对安全有严格要求的领域。