基于Clifford代数矢量积的掌纹提取方法

基于Clifford代数矢量积表示定理,本文提出一种新的掌纹提取方法。选取掌纹线上的一个点作为种子点,将该点的八邻域的点归一化后作为该点的8个特征,对图像进行遍历检测,设定阈值,判断每个点是否为掌纹线上的点。在实验中选取3个种子点,然后对3个结果进行融合。实验证明,该方法比传统方法提取的掌纹信息更精确。

基于八元数的彩色掌纹特征提取与识别算法

综合4种传统算法和八元数BP神经网络,提出一种掌纹特征提取算法,自动提取彩色掌纹图像的掌纹线。对掌纹线图像进行二维小波分解,并构造七维特征向量,采用八元数矢量积表示算法进行掌纹识别。实验结果表明,掌纹提取算法能提取出较精细的掌纹线,识别算法的成功率可达96%。

联合灰度与梯度性质的掌纹主线提取方法

掌纹主线的提取可为掌纹识别、掌纹诊断专家系统等掌纹处理技术提供重要的数据。为了让提取的掌纹主线结果形态自然,位置正确,提出利用Laplacian算子对掌纹灰度图像进行了对比度增强,采用局部灰度平方差来分割出掌纹主线,通过Sobel算子与范围模板去除噪声,对获得的特征图像采用数学形态学操作并细化,从而获取简化的主线特征。对不同形态的掌纹进行了算法验证,结果表明该方法保留了掌纹主线的细节信息,能满足后续处理技术的数据要求,并且算法简单、实时性强。

掌纹识别中的特征提取算法综述

特征的选择左右着识别的结果,因此特征提取在模式识别中一直占据着重要的地位,如何有效地在高维特征空间中选取一定特征进行分类和匹配是掌纹识别的关键。本文结合近年来发表的文献,按照描述特征的方式进行分类,总结了掌纹识别中的特征提取方法,并对每种方法中的主要算法进行了分析,最后对各种方法的性能进行了比较和展望。

基于DCT鉴别分析的掌纹特征提取

离散余玄变换是一种经典的图像处理技术,而鉴别分析是一种常用的图像特征提取技术。本文将这两种技术有机地结合起来,提出了一种新的掌纹特征提取方法。该方法首先对于掌纹的离散余玄变换图像,提出了一个二维可分性判据来选择具有良好可分性的频段;然后提出了一种改进的费舍脸方法来提取鉴别特征。在掌纹图象公共数据库上的实验结果验证了本文所提出的方法的有效性。

掌纹特征提取算法综述

掌纹特征的提取是掌纹识别中最关键的一个环节,特征提取算法的好坏很大程度上决定了系统的识别率和效率的高低.结合近年来发表的文献,按照分析和描述的方式对掌纹的特征提取方法进行了分类,并对主要特征提取算法进行了分析和特性比较,最后总结了掌纹多特征融合方法是未来掌纹特征提取方法进一步的研究方向.

基于Nonsubsampled Contourlet变换的掌纹特征提取算法

为了研究Nonsubsampled Contourlet变换(NSCT)在掌纹识别应用方面的可行性和性能,本文采用MATLAB仿真手段,利用NSCT对纹理特有的各向异性和多尺度特点,以香港理工大学采集的掌纹图像为研究样本,建立掌纹识别的分析和研究平台,针对NSCT从掌纹图像中分解得到的多个系数矩阵,研究掌纹特征的提取算法。实验结果表明,NSCT在掌纹识别方面具有较好的性能和较高的识别率,从而验证了该方法在掌纹识别中的有效性和识别效果。

基于灰度差统计分析的掌纹线提取

为了快捷而准确地提取掌纹线,提出了一种基于灰度差统计分析的方法。采用了带有修正因子的直方图均衡化方法使掌纹图像灰度分布均匀化,并应用基于邻域平均灰度的计算方法有效抑制伪纹线的干扰。在预先设置长度阈值的情况下,对图像灰度差值图进行统计分析并设置灰度阈值,进而使用具有方向性的8邻域搜索方法,通过判断对象点的灰度值和连续掌纹线点集的点数,提取出掌纹线的二值图像。最后通过计算掌纹图像间的隶属度评价掌纹线的提取效果。实验结果表明,该方法提取出的掌纹线图像清晰,识别正确率较高,达到94.51%以上。

一种新的掌纹特征提取方法研究

提出一种基于Gabor小波和改进的广义K-L变换的掌纹识别方法。该方法首先对测试样本的掌纹ROI灰度图像进行Gabor小波变换,得到其Gabor特征向量,然后利用改进的广义K-L变换方法将高维特征向量变换到低维空间,最后将得到的低维特征向量利用欧氏距离法与训练样本库中的特征向量作匹配识别。该方法首次将基于时频变换的特征提取算法与基于子空间的特征提取算法结合起来,既充分利用了Gabor函数优良的特征提取性能,又有效解决了高维特征的降维处理问题。通过使用自行采集的数据库对该方法作对比实验,获得了94%的识别率,验证了该方法的有效性和准确性。

基于Gabor滤波的掌纹图像线特征提取技术

利用Gabor滤波器增强掌纹线特征方法,将掌纹图像分割成若干子块并将子块变换到频率域。利用Gobar滤波器在频域内对子块在其主方向上进行滤波,增强特征纹线信息。然后对增强后的图像进行形态学Bot-Hat变换提取出掌纹特征纹线。实验证明,该方法可有效提取掌纹图像特征纹线信息。

基于TensorFlow的掌纹识别方法研究

使用掌纹作为生物特征进行身份认证是近年来一门兴起的技术,本文提出一种基于Tensor Flow的掌纹识别方法。该方法首先应用Tensor Flow Object Detection API使用Google ML Engine云计算技术对获取到的手掌图像进行训练,利用得到的模型在本地完成手掌检测;然后通过手掌检测获得的ROI,使用Open CV得部分掌纹;最后采用Tensor Flow自行编写的卷积神经网络,对提取到的掌纹图像进行训练,得到训练模型进行分类预测。实验表明,该方法对比PCA、LBP等算法、得到了较高的识别率。

基于图像融合的去掌纹手掌静脉图像增强方法

针对手掌静脉识别系统中预处理算法不能够很好地解决掌纹造成静脉网络"断裂",导致识别性能降低的问题,通过对手掌静脉图像的观察和分析,提出8个方向滤波器提取掌纹;并将掌纹提取图像与原掌脉图像加权融合,消除了掌纹对手掌静脉图像的干扰,使静脉网络更加连贯,增大了静脉与背景的对比度。实验结果表明,与目前已有的手掌静脉增强方法相比,去掌纹增强方法提高了图像质量,进而提高了手掌静脉识别系统的识别精度。

基于移动摄像头的掌纹识别研究

搭建了基于移动摄像头的在线掌纹识别系统,该系统利用提出的自适应掌纹感兴趣区域(Region Of Interest,ROI)提取算法提取掌纹ROI图像,同时采用有限Radon变换(Modified Finite Radon Transform,MFRAT)算法提取掌纹ROI图像的主纹线特征图像,并采用一种基于方向最近邻域(Direction and Nearest Neighbor,DNN)搜索的迭代最近(Iterative Closest Points,ICP)算法对掌纹特征图像进行配准,该配准方法分为粗配准与精配准两个过程。实验表明,该系统能有效克服背景、光照和掌纹ROI图像的旋转平移对掌纹识别精度的影响,同时也具有较高的识别效率。

基于深度卷积网络的主掌线纹区域的提取

鉴于生物身份识别的普及,掌纹识别系统越来越要求对环境和图像质量的鲁棒性。为了解决这个问题,提出了一个新奇的基于深度学习的方法。通过逐渐的由粗到细地定位主掌纹线所在的区域,能够较好地适应大部分的实际数据和环境。最后,通过在测试集上的测试,该算法取得了较为良好的效果。

基于流形学习的正交稀疏保留投影

稀疏保留投影通过保留样本之间的全局稀疏重构关系来进行特征提取,获得了良好的分类效果。但是,稀疏保留投影得到的投影变换通常不是正交的,而且在实际应用中,正交性一直被认为有利于提高鉴别能力。另外,根据流形学习理论,局部流形结构比全局欧式结构更重要。因此,文中在稀疏保留投影中引入了流形结构保留和正交投影,提出了整体正交流形稀疏保留投影(HOMSPP)和迭代正交流形稀疏保留投影(IOMSPP)两种实现算法来实现人脸和掌纹图像的特征提取。

提取尸体指掌纹小技巧

尸体指掌纹的提取一直是刑事技术工作中的一项任务,特别是无名尸体的指掌纹,在认定死者身份中起到至关重要的作用.而实际工作中,由于尸体经常于尸僵、腐败、出现"手套"现象等原因,用常规的方法往往提取不到理想的指掌纹,给后期的检验工作带来许多不便.笔者在日常的工作中总结出一种方法,不仅简便易行,而且效果很好.现介绍如下,与同行商榷.