一种新的掌纹图像预处理方法

掌纹图像预处理主要包括图像分割和图像增强。在分析现有掌纹图像预处理方法中存在的不足之后,提出了一种新的掌纹图像预处理方法。该方法以手掌外侧轮廓作为定位参考线,首先实现手掌定位;然后以手掌的最大内切圆圆心为掌纹图像坐标系的原点构建坐标系,并截取出该圆的内接正方形区域内的掌纹图像,以完成图像分割。另外,该方法将模糊理论引入到反锐化掩模系统框架中,并用方向可调滤波器替代传统反锐化掩模算法中的Lap lac ian滤波器来获取掌纹图像中的高频成分,以实现在线掌纹图像的增强。实验结果表明,该方法不仅在手指完全并拢的情况下,仍然能提取出掌纹中心子图,而且能有效增强掌纹图像中主线和皱纹线的对比度。

基于掌纹图像相关匹配的重复定位技术

基于每次测量时所采集掌纹图像之间同时存在平移和旋转变化,先对图像进行空域旋转校正,然后利用相位相关方法进行相关匹配,并通过二次曲面拟合方法使平移变化的检测精度达到亚像元级,从而达到精确定位.该方法已成功应用于掌纹图像匹配定位中,对于无噪声干扰的掌纹图像,平移检测精度达到0.01像元,旋转检测精度达到0.1°.

自动找点的掌纹图像定位分割方法

重点研究掌纹图像在产生旋转和平移情况下的定位分割方法。对采集的掌纹图像做中值滤波后得到二值图像,跟踪二值图像边界,转换边界点重新建立只显示边界新图像,最后分析手掌形态,分离手指与手掌,利用去孤立点的自动找点方法提取食指与中指、无名指与小拇指两处定位点,并以此对图像做旋转校正,建立直角坐标系,确定图像的感兴趣区域。实验结果表明,该方法的定位准确率高,有利于进一步对掌纹图像进行特征提取和特征匹配。

掌纹图像处理方法的研究

提出了一种利用图像方向信息提取掌纹特征纹线的方法。该方法将掌纹图像分成若干子块,充分利用子块中图像纹理的方向信息对掌纹图像进行滤波和增强处理;剔除图像中不含纹线的图像子块,对含有特征纹线的子块在其主方向上进行方向增强处理,突出特征纹线信息。对不同采集质量的掌纹图像的处理结果表明文中提出的方法是一种有效的掌纹图像处理方法,它可以应用于不同质量掌纹图像特征纹线的提取。

一种新的掌纹图像感兴趣区域提取算法

重点研究具有一定自由度在线掌纹图像的感兴趣区域提取算法。首先结合掌纹图像的特点采用全局阈值二值化掌纹图像,然后利用形态学算子平滑掌纹轮廓,提取轮廓线Freeman链码并对链码进行角度变换,最后通过考察轮廓线上各点附近轮廓线的角度变化来提取掌纹图像感兴趣所需要的定位点,从而提取感兴趣区域。感兴趣区域的提取为特征提取和特征匹配打下了基础。最后,在两个公开的掌纹数据库,通过实验证明了这种算法的有效性。

复杂背景下基于二维OTSU和肤色分割结合的掌纹图像分割方法

基于智能手机的掌纹识别符合非接触式、低分辨率等生物特征认证的发展趋势,但是由智能手机采集的掌纹图像背景往往比较复杂,导致手掌区域不能正确分割,限制了掌纹识别技术在智能手机上的应用推广。针对上述问题,本文在研究二维大津法(二维OTSU)和基于高斯模型的肤色分割两种方法的基础上,结合两者的优点,将两种方法分别以"串联"和"并联"两种融合方式相结合提出一种新的方法,对使用智能手机采集的复杂背景下掌纹图像分别进行分割。经实验验证,并联融合的方法对背景偏暗的掌纹图像分割正确率较高;串联融合的方法对背景偏亮掌纹图像正确分割率较高,两种方式结合能很好地满足复杂背景下掌纹分割的需求。

自适应阈值法在掌纹图像预处理中的应用

在生物识别方法的研究中,掌纹图像二值化是掌纹特征处理的前提,是掌纹识别预处理的一个重要部分。要提高识别精度,消除噪音,针对掌纹图像所具有的灰度分布特性,提出了一种结合掌纹图像库特点的改进自适应二值化分割算法,分割的结果只提取掌纹轮廓并不改变掌纹图像的纹理特性,能够有效保留掌纹图像信息。最后,根据自适应阈值法的分割结果对掌纹图像进行预处理,同时,证明了自适应阈值法的有效性和可行性。实验结果表明,该算法能够很好的提取掌纹轮廓、消除噪声,为下一步掌纹图像识别提供参考依据。

基于非负稀疏编码和RBPNN的掌纹图像识别方法

主要探讨了一种新颖的基于非负稀疏编码(NNSC)和径向基概率神经网络(RBPNN)模型的掌纹图像识别方法。使用NNSC算法可以成功地提取掌纹图像的特征,利用RBPNN模型可以有效、快速地实现掌纹图像的分类。与RBFNN和BPNN模型相比,实验结果表明RBPNN模型具有更高的识别率和更好的分类能力。

掌纹图像识别中BP神经网络的运用

在科学急速发展的当下,掌纹识别技术已经得到了比较全面化的发展。掌纹特征与其他生物特征相比所含有的信息量更加丰富,稳定性也更高,因此掌纹识别高效又准确。从掌纹识别的发展前景来看,它将会在国际上有更加长远的发展,因为掌纹识别设备所需要的成本并不高,对用做掌纹识别的图像分辨率并没有特别高的要求。神经网络的运用在科技发展中起着非常重要的作用,而掌纹图像识别中神经网络的运用也越来越普遍。神经网络能够对掌纹特征进行准确地识别,因此文章将对掌纹图像识别中BP神经网络的运用进行探究。

掌纹图像感兴趣区域的提取及仿真分析

掌纹图像感兴趣区域ROI的提取是掌纹识别系统中一个关键步骤首先对掌纹样本作顺序统计滤波处理后得到二值化图像；然后基于数学形态学的分割思想得到掌纹角点图；对掌纹角点图上进行几何操作来获取手掌的质心点；最后以规范后的质心点为中心提出掌纹ROI，为特征提取和识别打个基础。

掌纹图像预处理算法的研究

重点研究实现掌纹方位无关性匹配的掌纹图像预处理算法.由掌纹采集设备获取掌纹图像作为输入数据.首先,对掌纹图像应用中值滤波器去除系统噪声,并应用阈值分割法分割背景区和目标区.然后,利用内部边界跟踪算法找到手掌边界,计算边界像素与手掌的底端中部Pm之间的欧氏距离.根据欧式距离曲线图中的两个局部最小值,自动确定两个指根部位置.最后,基于第1和第3个指根部建立参照坐标系,自动定位掌纹感兴趣(ROI)区域.对两个公用的掌纹图像库进行实验,实验结果验证了该方法的有效性.

肿瘤皮纹无损检测分析系统中的掌纹图像处理

根据方便、快捷、无损伤、无痛苦的原则 ,正在研制数字化肿瘤皮纹学无损检测分析系统。此系统的技术基础取决于掌纹图像处理。但是 ,通过FPS 1指纹 /掌纹摄取仪得到的待识别掌纹图像并不清晰 ;(1)由于手掌中部凹陷处不能与摄取仪完全接触 ,造成待识别掌纹图像中间区域出现断连 ;(2 )由于人的手掌按住掌纹摄取装置时 ,用力过猛或过轻 ,都会造成待识掌纹图中各特征点相互之间的距离变化、灰度值变化及其本身在坐标系中的位置变化 ,即所谓的畸变 ;(3)存在着大量的汗腺点 ,它们均被视为噪音。为了解决这些问题 ,并且针对掌纹图像特点 ,文中提出了相应的改进的图像处理算法。结果表明 ,在保留大部分细节特征的前提下 ,可以清楚的辨别嵴纹结构。这些工作为提取掌纹特征 ,特别是掌纹三叉点的定位 ,奠定了良好的基础。

采用树脂透镜的掌纹图像采集光学系统设计

为了获得高分辨率、高对比度和低畸变的掌纹图像,同时实现系统的轻量化和高性价比,本文基于全反射原理,采用树脂材料设计了一款由6片镜构成双远心光路的掌纹采集光学系统。树脂材料的选用减轻了光学系统的总重量;基于光的全反射原理的系统设计增强了掌纹图像的对比度;选择双远心光学结构,便于对倾斜物面所产生的梯形畸变进行矫正。对所设计光学系统的成像质量分析表明,该系统所有视场的光学传递函数(MTF)在Nyquist频率228 lp/mm处均达0.55以上,畸变<0.14%。设计的光学系统可以采集120 mm×160 mm的手掌区域,实际手掌面上的分辨率达到500dpi,采集的掌纹图像分辨率达到8.0×106 pixel,满足了实际采集的要求。

基于形态学的掌纹图像定位方法

针对现有掌纹定位分割算法的局限性,提出了基于形态学的定位分割算法,对掌纹图像采用中值滤波器去噪后,采用阈值分割法分割背景区和目标区,将得到的二值图像进行形态学闭运算后与原始二值图像相减得到掌纹的角点,根据角点的位置定位并建立坐标系,得到了掌纹的感兴趣区域。实验结果表明,此方法能够快速准确的定位分割掌纹图像。

掌纹图像预处理算法的研究

在掌纹图像的采集过程中,实际得到的掌纹图像中包含了噪声成分。噪声的存在,破坏了图像像素间在结构、纹理、内容等方面的相关性,不利于掌纹样本图像的特征提取。因此,针对所要提取的掌纹特征,选择适当的去噪算法,可以在去噪的同时去掉一些不必要的特征,从而可以简化后续的特征提取阶段的工作。

基于可控方向值方图算法的掌纹图像特征提取技术

采用多通滤波检测器实现对掌纹图像的特征信息采集,对采集的掌纹图像进行不同层次的特征信息分割,通过深层特征提取方法实现对掌纹图像特征融合处理。构建掌纹图像的可控方向值二维融合调度模型,结合多维多视角图像的分割先验知识,建立掌纹图像特征提取的可控方向值方图;分析掌纹图像的浅层特征信息和深层特征信息,对各层特征信息实现信息融合;利用可控方向值方图融合算法实现对掌纹图像特征提取和识别优化。仿真结果表明,采用该方法进行掌纹图像特征提取的精度较高、误分率较小,提高了对掌纹图像的识别和检测能力。

大鱼际掌纹图像细化算法分析

使用基于像素标记的并行细化方法，采用删除边缘点和保留内点相结合的迭代方法，对大鱼际掌纹图像进行细化，该算法提取出的骨架线较好地保持了原图的拓扑特征。

基于二维Gabor的掌纹图像预处理研究

掌纹识别属于相对较新的一种生物特征识别技术,是利用人手掌上丰富的纹理特征来进行身份识别。掌纹图像的质量是影响掌纹识别性能的关键,因此,由掌纹的特点入手,对掌纹图像采用基于形态学方法进行感兴趣区域(ROI)的分割,为了防止由于采集时手放置位置的旋转或偏移导致的掌纹图像的差异,通过中值滤波、二值化、膨胀腐蚀等操作确定了特殊角点,再利用角点连线确定旋转角度,来旋转掌纹图像。然后对掌纹图像感兴趣的区域采取小波阈值法来去除噪声。最后结合Gabor滤波器的方向性,采用基于二维Gabor滤波器对掌纹纹线的特征进行提取。为了验证所提出的掌纹图像预处理方法的有效性,在PolyU掌纹图像库上进行实验并取得了较好的实验效果。

关于掌纹图像基于形态学的角点检测的定位分割方法

为了更好地进行掌纹识别,掌纹图像的预处理是必不可少的。提取掌纹图像的感兴趣区域(ROI)是掌纹图像预处理的一项重要内容。采用基于形态学的方法,将进行膨胀和腐蚀后的图像相减得到的图像作为掌纹图像的轮廓。根据掌纹图像的轮廓利用Harris算法进行角点检测,在检测出的角点中,求出角点的曲率,将曲率最大的两个角点作为定位的基准点来建立坐标系提取ROI。根据实验结果,该算法取得比较理想的效果。

在线掌纹图像ROI以及主线的提取

本文完成了对在线掌纹图像感兴趣区域(ROI)以及掌纹主线的提取。在感兴趣区域提取中,结合掌纹库中掌纹图像的几何特征,利用欧式距离检测出了角点,并进一步提取出了感兴趣区域。然后,用Gabor滤波器分8个方向对掌纹主线进行提取,最后运用曲线拟合的方法拟合出了比较完整的掌纹主线。