基于指导滤波与二值图像组互相关匹配的3D掌纹识别

提出了一种鲁棒的掌纹识别方法。在特征提取阶段,使用指导图像滤波去除噪声,然后基于Gabor变换提取鲁棒的掌纹方向特征,并使用一组二值图像表示每幅3D掌纹图像;在匹配阶段,采用了基于二值图像组互相关运算的匹配算法。该方法能够充分利用图像组中的特征配准图像来得到准确的匹配分数。HK-PolyU 2D+3Dpalmprint database数据库上的实验表明,该方法能够有效提高掌纹识别算法的识别率。

局部方向二值模式结合协同表示的3D掌纹识别

针对三维掌纹特征表示准确性差的问题,提出一种局部方向二值模式(Local Orientation Binary Pattern,LOBP)结合协同表示(Collaborative Representation,CR)的3D掌纹识别方法。利用掌纹主方向和方向置信度的编码来共同表达掌纹的方向信息,从而有效提高方向编码的准确性。使用表面类型编码来刻画掌纹的结构,充分表达掌纹的几何特征。最后,在分类识别时通过协同表示的方法将特征结合进而完成掌纹识别。在香港理工大学3D掌纹库上进行实验,结果表明获得的平均识别率最高可达99.55%,平均识别时间为0.8749 s。所提方法可以在保持较低识别时间的同时提高3D掌纹的识别精度。

基于曲面曲率和RLDA的3D掌纹识别方法

提出一种新的3D掌纹识别方法,利用掌纹曲面的3D曲率信息提高当前2D掌纹识别算法的精确度和鲁棒性。首先因曲率是3维物体的重要表征,能够与视点无关地表现曲面的局部形状,不管手掌发生旋转或者平移,曲率信息都是稳定的,因此提取3D掌纹的均值曲面曲率特征来刻画3D掌纹的曲面特征;继而获得3D掌纹映射到2D空间上的灰度图像——均值曲率图像(MCI);然后在获得的MCI上采用正则化的LDA(RLDA)方法来进行二次特征抽取,以消除传统线性判别分析(LDA)应用于识别时存在的小样本问题和优化准则函数并不直接与识别率相关等问题。实验结果表明,所提出的方法相比与传统的LDA、PCA、ICA、LPP等方法有更高的精度和速度。

基于特征优化与稀疏表示的3D掌纹分类

针对大数据背景下3D掌纹技术存在的问题,提出一种基于优化投影矩阵的3D掌纹稀疏表示识别技术架构。系统首先提取3D掌纹表面类型特征,然后利用分块方向梯度直方图构成训练样本,通过优化设计投影矩阵,使得同类掌纹投影特征互相关性变大,异类掌纹投影特征互相关性变小;最后利用投影后3D掌纹特征稀疏表示分类,并比较L0/L1/L2范数各种快速算法性能。通过投影优化后的系统,在识别率和实时性上都有所改善,仿真实验证实了研究工作的有效性。