基于非接触采集下的鲁棒掌纹识别

为了扩大掌纹识别的应用范围,使非接触式掌纹识别系统在复杂背景和光照变化的条件下都能使用,提出了一种适用于非接触采集下的鲁棒掌纹识别算法.该算法使用肤色阈值的方法把手掌从复杂的背景中分割出来,采用一种新颖的指根点检测算法找到指根点,用指根点来定位掌纹ROI,使用对光照具有良好鲁棒性的LBP算法提取掌纹特征,并用Chi平方统计法进行分类.实验使用的数据库是在不同光照和复杂背景下采集的,当等错率为3.098 6%时,正确识别率达到97.833 7%.实验结果表明,该方法能够扩大掌纹识别的应用范围,使非接触掌纹识别系统在复杂背景和可变光照的条件下达到较理想的识别效果.

非接触式掌纹图像采集光源的设计

为了获得非接触式掌纹图像更为准确的主线纹理特征,提出一种新的非接触式掌纹图像采集光源。分别通过人体皮肤和血液对光谱的吸收和共振散射的研究,进行波段选择;通过对发光二极管(LED)的光电特性,及多个LED间距与排列方式的研究,最终得到光照度均匀的光源。结果表明,相比LED布局相同、光波波段不同的光源,及相同波段LED、布局不同的光源,在提出的光源下采集到的手掌图像对比度最高,主线特征更为突出。

基于深度卷积网络的非接触式掌纹识别与验证

针对非接触式掌纹图像存在手姿态、光照等干扰因素的问题,提出了使用深度卷积网络来提取非接触式掌纹特征的识别方法,对不同网络提取非接触式掌纹特征的性能进行了验证.为了提高实用性,避免非接触式掌纹验证前的ROI提取操作,提出了基于Siamese Network的非接触式掌纹验证方法.选用了ResNet、DenseNet、MobileNetV2和RegNet 4个卷积神经网络模型,在IITD、Tongji和MPD 3个非接触式掌纹数据集上做了非接触式掌纹识别的评估实验,在IITD数据集上进行了训练和验证.MobileNetV2在IITD数据集上的收敛速度最快,RegNet在Tongji、MPD两个数据集上的收敛速度明显快于另外3个网络.RegNet在3个数据集上的识别率均最高,且较传统方法有所提高.实验结果表明,用深度卷积网络提取非接触式掌纹特征的方法有更好的识别结果.基于Siamese Network的非接触式掌纹验证方法对自然场景下的掌纹图像有较好的验证结果,且对光照和手姿态具有一定的鲁棒性.

融合局部双向编码与深度学习的非接触式掌纹识别

文章提出一种基于局部双向编码(Local Double-Orientation Code,LDOC)与深度学习的非接触式掌纹识别方法。该方法分别取Gabor滤波器的实数和虚数部分,并选用最大和次大响应进行编码作为深度神经网络的输入。在香港理工大学非接触式掌纹数据集和中国科学院自动化研究所非接触式掌纹数据集上进行实验。结果表明,所提出的基于局部双向编码与深度学习的非接触式掌纹识别方法取得了不错的结果,具有普适性。