当前位置：文档之家 › 基于LDP和PNN的掌纹识别算法

基于LDP和PNN的掌纹识别算法

  • 格式：pdf
  • 大小：648.85 KB
  • 文档页数：8

下载文档原格式

  / 8

合集下载

余弦相似度保持的掌纹识别算法

余弦相似度保持的掌纹识别算法

余弦相似度保持的掌纹识别算法
丘展春;费伦科;滕少华;张巍
【期刊名称】《广东工业大学学报》
【年(卷),期】2022(39)3
【摘要】掌纹识别作为一种新兴的生物特征识别技术,具有识别率高、特征稳定等优点。

传统的基于手工提取特征的掌纹识别算法使用先验知识提取掌纹主线和细节点,存在可扩展性低、提取图像特征困难、无法挖掘数据的隐藏信息等问题。

为了解决这些问题,本文提出了一种基于学习的掌纹识别算法。

首先提取掌纹图像的像素值差向量(Pixel Different Vector,PDV)特征。

然后,通过余弦相似度保持模型,同时学习PDV特征的二进制表示及其映射函数,以减少PDV特征的信息冗余。

最后,为了处理掌纹位置偏移和光照变化等噪音,将学习得到的二进制特征编码成直方图描述子。

在3个广泛使用的掌纹数据库上的实验结果表明,所提出的算法能更好地挖掘掌纹图像的内在特征,有效地提高掌纹识别精度。

【总页数】8页(P55-62)
【作者】丘展春;费伦科;滕少华;张巍
【作者单位】广东工业大学计算机学院
【正文语种】中文
【中图分类】TP391.4;TP183
【相关文献】
1.LPP算法和DLPP算法在掌纹识别中的应用研究
2.掌纹掌脉图像超小波域融合识别算法
3.基于LDP和PNN的掌纹识别算法
4.基于顶帽变换的指节纹和掌纹识别改进算法
5.基于Stein-Weiss函数的彩色掌纹特征识别算法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的掌纹识别技术研究

基于深度学习的掌纹识别技术研究

基于深度学习的掌纹识别技术研究掌纹作为人体部位之一，一直以来都是研究者非常关注的研究对象。

掌纹的形态、特征等信息蕴含着很多的人类个体差异，从而为掌纹识别技术的发展提供了广泛的应用场景。

而目前掌纹识别技术的发展又基本围绕着深度学习展开。

因此本文将重点探讨基于深度学习的掌纹识别技术研究，并对未来的研究方向进行探讨。

一、深度学习在掌纹识别中的应用深度学习是近年来人工智能技术的重要分支之一，其层次结构和参数量巨大的特点，使得其对于数据的抽象和理解能力远远超过传统的机器学习算法。

而掌纹识别作为一个人体生物特征识别领域，其复杂性和多变性使得深度学习得到了广泛的应用。

目前深度学习在掌纹识别中主要有三个方面的应用：特征提取、分类器构建和识别预测。

在特征提取方面，深度学习算法可以通过卷积神经网络（CNN）等技术抽取掌纹图像中的特征信息，以便后续的识别处理；在分类器构建方面，深度学习可以用来构建分布式分类器，以实现掌纹图像的自动分类；在识别预测方面，深度学习可以通过循环神经网络（RNN）等技术，对多种网络构架的合并和优化进行研究，以获取更高的识别精度和更快的预测速度。

深度学习在掌纹识别中的应用具有明显的优点。

首先，深度学习算法可以自动从掌纹图像中提取特征，无需人工干预，大大提高了识别效率和效果；其次，深度学习算法可以针对大规模的数据集进行训练和优化，提高了模型的泛化能力和适应性；再次，深度学习可以通过不同的网络构架和模型参数选择来实现不同领域的掌纹识别，具有很好的灵活性。

二、掌纹识别技术在不同领域的应用掌纹识别技术的应用范围非常广泛，包括了安全防护、金融交易、健康医疗等领域。

下面分别介绍掌纹识别在不同领域的具体应用。

1、安全防护领域掌纹识别技术可以应用在人员出入管理、边境检查、身份认证等领域中。

例如，掌纹识别技术可以通过掌纹中的血管和纹理信息来进行身份验证，大大提高了管理的精确性和安全性。

2、金融交易领域在金融交易领域中，掌纹识别技术可以应用在支付验证、信用卡认证等方面。

应用非负矩阵分解和RBPNN模型的掌纹识别方法

应用非负矩阵分解和RBPNN模型的掌纹识别方法

应用非负矩阵分解和RBPNN模型的掌纹识别方法尚丽;崔鸣;杜吉祥【摘要】提出一种基于非负矩阵分解(NMF)和径向基概率神经网络的掌纹识别方法.NFM是一种有效的图像局部特征提取算法,用于图像分类时能得到较高的识别率.考虑PolyU掌纹图像数据库,应用NMF、局部NMF(LNMF)、稀疏NMF(SNMF)和具有稀疏度约束的NMF(NMFSC)算法分别对掌纹图像进行特征提取,并对提取到的局部特征基图像进行分析对比；在特征提取的基础上,应用径向基概率神经网络(RBPNN)模型对掌纹特征进行分类,分类结果表明了RBPNN模型对掌纹特征具有较好的识别能力.实验对比结果证明了基于RBPNN的NMF掌纹识别方法在掌纹识别中的有效性,具有一定的理论研究意义和实用性,%A palmprint recognition method based on Non-negative Matrix Factorization (NMF) and Radial Basis Probabilistic Neural Network(RBPNN) is proposed. NMF is an efficient local feature extraction algorithm of images, and it can obtain high recognition rate in image classification task. Considered PolyU palmprint image database, the palm features are extracted by using several algorithms, such as NMF, Local NMF(LNMF), Sparse NMF(SNMF), and NMF with Sparseness Constraints(NMFSC) et al. And these feature basis images extracted are analyzed and compared. On the basis of feature extraction, the RBPNN classifier is utilized to classify palmprint features, and the classification results show that the RBPNN model has better palmprint recognition property. Compared classification results obtained by different algorithms, it is clear to see that the palmprint recognition results based on RBPNN and NMF are indeed efficient, and thesealgorithms behave certain theory research meaning and application in practice.【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)004【总页数】5页(P199-203)【关键词】非负矩阵分解;局部特征提取;特征基图像;掌纹识别;径向基概率神经网络(RBPNN)分类器【作者】尚丽;崔鸣;杜吉祥【作者单位】苏州市职业大学电子信息工程系,江苏苏州215104;苏州市职业大学电子信息工程系,江苏苏州215104;中国科学技术大学自动化系,合肥230026;华侨大学计算机科学与技术系,福建泉州362021【正文语种】中文【中图分类】TN911.73图像特征的选择将左右图像识别的结果，能否在高维的原始数据空间内恰当有效地进行特征的提取和选择关系到下一步的分类决策操作，因此特征提取在模式识别中一直占据着重要的地位。

基于PCA-LBP特征的掌纹识别研究

基于PCA-LBP特征的掌纹识别研究

ｐ ｉ ｔ ｍａ ｅｃａ ｓ ｃ ｔ ｎ ｉ ｌｔ ｎ ｅ ｐ ｒ ｎ ｅ ｕ ｓｂ ｅ ｎ ｔ ｅ ｓ ｎ ａｄ ｌ ｒ ｒ ｏｙ ｈ ｗ ｔ ａ ｉ ｔ ｏ ｏ ｒｎ ｇ ｌｓ ｉ ａｉ ．Ｓｍｕａ ｉ ｘ ｅ ｍｅ ｔ ｓ ｈ ａ ｄ ｏ ｈ ｔ ｄ ｒ ｉ ａ ｙＰ ｌ Ｕ ｓ ｏ ｈ ｔ ｓｍｅｈ ｄ ｎ ｔ ｉ ｉ ｆ ｏ ｏ ｉ ｒ ｓ ａ ｂ ｈ ｔ ｏ ｌ ａ ｄ ａ ｔｇ ｓｉ ｒ ｆ ｉ ，ｂ ｔ ｏ ｌｔ ｅ ｔ ｉａ ｉｎｗｉ ｓ ａ ｍｐ ｉ ｔ ｍａ ｅ ｎ ｅｒ ｃ ｇ ｉ ｏ ａｅｉ ｎ ｙ ｈ ｓ ａ ｖ ｎ ａ ｅ ｎ ｔ ｍｓｏ ｍｅ ｕ ｍｐｅｅ ｉ ｎｉ ｃ ｔ ｔ ｌ ｓｐ ｅ ｔ ｃ ｄ ｆ ｏ ｈｅ ｌ ｒｎ ｇ ｓａ ｄ ｔ ｅ ｏ ｎ ｔ ｎ ｒｔ ｓ ｉ ｈ ｉ
主成分分析方法消除各特征之 间的高度冗余性 ， 并有效地降低 了特 征集的维数 ， 得到了最有利于识别的最佳特征 。根据 最 小欧式距离判别法对掌纹图像 的进行识别 ， Ｐｌ 对 ｏ Ｕ标准库中的掌纹进行仿真实验 ， ｙ 结果表明， 比传统的 Ｌ Ｐ 法和离散 相 Ｂ 算
小波变换提取算法 ， 可以提较少的特征维数取得 了更 高的的识别率 ， 说明改进算法既不会丢失掌纹 图像 的原有 信息， 提高了
第２卷 第１期 ７ １
文章 编 号 ：０ ６— ３ ８ ２ １ ） １— ２４— ４ １０ ９ ４ （０ ０ １ ０ ５ ０
计 算
机
仿
真
２１年１月 ０ ０ １
基 于 Ｐ Ａ —Ｌ Ｐ特征 的掌纹 识别 研 究 Ｃ Ｂ
王连加
（ 东北电力大学理学院， 吉林 吉林 １２ １ ） ３ ０ ２ 摘要 ： 关于掌纹特征提取要求提高识别率 ， 局部二值模式（ Ｂ ） Ｌ Ｐ 掌纹识别 ， 提取 的特征维数高 ， 特征之 间存 在一 定冗余 ， 导致 掌纹识别率较低 。为了提高掌纹识别率 ， 提出一种主成份分析 （ Ｃ 的 Ｌ Ｐ的掌纹特征提取方法 （ Ｃ Ｐ Ａ） Ｂ Ｐ Ａ—Ｌ Ｐ 。首先对掌 Ｂ） 纹图像进行灰度预测 ， 采用 Ｌ Ｐ算法计算灰度直方 图， Ｂ 得到 ２ ６个灰度对应的像素数据 ， ５ 将其作为掌纹 图像 的原 始特征， 用

基于特征融合的掌纹识别算法应用研究

基于特征融合的掌纹识别算法应用研究

３ 掌纹 识别
３ １ 掌 纹 图 像 预 处 理 ．
３３ Ｂ ． Ｌ Ｐ算法提取掌纹局部特征
Ｌ Ｐ算法通过对 每一个像 素 与其领 域 内像 素灰 度值 的 Ｂ
大小进行 比较 ， 并采 用二进 制模 式对 图像纹 理进 行描 述 ， 具
在掌纹图像采集 过程 中 ， 由于手 掌摆 放位 置变化 ， 得 获
Ｑ ｕ —ｆｎ ｕ Ｈ ｉ—ａｇ
（ ｏ ｕｅ ｃｅｃ ｅａｔ ｎ， ｉ ｎ ｎｖｒ ｔ，Ｑ ｆ Ｓ ａｄ ｎ ７ １５ ｈｎ ） Ｃ ｍｐｔｒ ｉ ｅＤ ｐｒ ｔ Ｊ ｉｇＵ ｉ ｓｙ ｕｕ ｈ ｎ ｏｇ ３ ５ ，Ｃ ｉａ Ｓ ｎ ｍｅ ｎ ｅｉ ２
ＡＢＳ ＴＲＡＣＴ ： ｅ ｅ ｒ ｈ ｐ ｍｐ ｉ ｔ ｅ ｏ ｎ ｔ ｎ ｐ ｏ ｌｍ．Ｉ ｒ ｅ ｒ ｖ ｈ ｅ ｏ ｎｔ ｎ ｒ ｔ ｔ ｅ ｐ ｐ ｒｐ ｏ ｏ ｅ Ｒ ｓ ａｃ ａ ｌ ｒ ｃ ｇ ｉ ｏ ｒ ｂｅ ｎ ｒ ｉ ｎ ｏ ｄ ｒｔ ｉ ｏ ｅｔ ｅ ｒ ｃ ｇ ｉ ｏ ａｅ， ｈ ａ ｅ ｒｐ ｓ ｄ ａ ｏ ｍｐ ｉ ｐ ｍｐ ｉ ｔｒ ｃ ｇ ｉ ｏ ｔ ｏ ａ ｅ ｎ ｔ ｅ Ｇａ ｏ ｌ ｒａ ｄ Ｌ Ｐ ａ ｇ ｒｔ ｍ ｕ ｉ ｎ ｌ ａ ｒ ｅ ｏ ｔ ｎ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｈ ｂ ｒｆ ｔ ｎ Ｂ ｌｏ ｉ ｎ ｎ ｉ ｉ ｅ ｈ ｆ ｓｏ ．Ｔ ｅ ｐ ｌ ｒ ｔ ｒ ｒ ｐ ｏ ｅ ｓ ｄ ｈ ａｍｐ ｉ ｓｗｅ ｅ ｐ ｅ ｒ ｅ ｓ ｅ ｎ ｉ ｔ ｆ ｓｌ ｒ ｙ，ａ ｄ ｔ ｅ ｈ ｂ ｒｆ ｔｒ ａ ｄ Ｌ ｌ ｏｉ ｍ ｅ ｅ ｕ ｉｄ ｆ ｒｆ ａｕ ｅ ｅ ｔ ｃ ｉｎ Ｆ ｎ ｌｙ，ｔ ｅ ｎ ｕ ａ ｅｗｏ ｋ ｎ ｈ ｎ ｔ ｅ Ｇａ ｏ ｌ ｎ ＢＰ ａ ｇ ｒ ｈ ｗ ｒ ｓｅ ｏ ｅ ｔ ｒ ｘｒ ｔ ． ｉａ ｌ ｉ ｅ ｔ ａ ｏ ｈ ｅ ｒ ｎ ｔ ｒ ｌ

一种改进的基于小波变换与PNN的指纹识别算法

一种改进的基于小波变换与PNN的指纹识别算法

一种改进的基于小波变换与PNN的指纹识别算法
段磊;马义德;许勇;韩明秋
【期刊名称】《自动化技术与应用》
【年(卷),期】2005(24)6
【摘要】通常的指纹识别算法因为预处理步骤过于复杂而明显地存在计算量过大、识别速度慢等缺点.本文提出了一种改进的基于小波变换和概率神经网络(PNN)的
指纹识别算法,该方法直接从二值化指纹图像中提取细节特征进行比对,避免了复杂的预处理过程,减少了计算量,同时利用神经网络进行分类识别,有效提高了识别精度.并对受噪声污染严重的指纹图像亦能获得很好的识别效果,算法具有较强的鲁棒性.实验测试证明该方法在实际应用中效果较好.
【总页数】4页(P13-15,23)
【作者】段磊;马义德;许勇;韩明秋
【作者单位】兰州大学,信息科学与工程学院,甘肃,兰州,730000;兰州大学,信息科学与工程学院,甘肃,兰州,730000;兰州大学,信息科学与工程学院,甘肃,兰州,730000;
兰州大学,信息科学与工程学院,甘肃,兰州,730000
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于Haar小波变换的快速指纹识别算法 [J], 刘伟;杨圣
2.基于Hu矩与改进PNN的飞机姿态识别算法 [J], 成杰;李新德
3.基于小波包与改进的PSO-PNN变压器励磁涌流识别算法研究 [J], 公茂法;接怡冰;李美蓉;解云兴;宋健;吴娜
4.一种改进的指纹识别算法与研究 [J], 杨得国;吕怿萌
5.一种基于指纹分类的指纹识别算法 [J], 陈春霞;殷新春;王秋平
因版权原因，仅展示原文概要，查看原文内容请购买。

基于掌纹、人脸关联特征的身份识别算法

基于掌纹、人脸关联特征的身份识别算法

信息量更大 。本文在研究数据层融合的基础上 ，首先对读入的掌纹 、人脸图像进行融合 ，对融合后的
掌纹 、人脸进行小波变换 。由于小波变换后 图像的轮廓主要体现在低频部分 ，而细节部分 则体现在高
频 部 分 ， 因此 通过 设 定 阈 值 对 高 频 分 解 系 数 进 行 衰 减 和 增 强处 理 ，从 而 达 到 图像 增 强 的作 用 。 由于 数
（Ｄｉｇ ｎ ｌ， Ｄｉｃｅｅ ｏ ｉｅ ｒｎ ｆｒ ａｏ ａ ｓｒｔ Ｃ ｓ Ｔ ａ ｓ ｍ ａ ｄ ｗｏＤｉ ｎ ｉｎ ｌ ｒ ｃｐｅ ｏ ｏ ｅ ｔ ｎ ｏ ｎ Ｔ — ｍｅ ｓ ａ Ｐ ｉ ｉｌ ｏ ｎ Ｃ ｍｐ ｎ ｎ Ａｎ ｌｓ ａｙ ｉ ｓ，
Ｄ ａ Ｃ ＋ Ｄ Ｃ 结合的算法 。 方法 首先对小波增 强后 的图像进行对 角化 ， ｉ Ｄ Ｔ ２ Ｐ Ａ） — 该 保持 了图像 的行变化和
图像 的 列 变 化 之 间的 相 关 性 ；然 后 利 用 余 弦 变 换 进 行 图像 压 缩 和 重 建 ，达 到 降 维 、去 噪 目的 ；再 用 二 维主元分析方法 （ｗ — ｉ ｎｉｎ ｌ ｒ ｃ ｌ Ｃ ｍ ｏ ｅｔ ｎ ｌｓ ，２ Ｐ Ａ）进行特征提取 【 Ｊ Ｔ ｏＤ ｍｅｓ ａＰｉ ｉ ｅ ｏ ｐ ｎｎ Ａ ａ ｉ Ｄ Ｃ ｏ ｎｐ ｙｓ ｑ ，得到特 征 矩 阵 ；最 后 利 用 最 小 距 离 分 类 器 （ ａｅｔ ｉｈ ｏ ｃｓｏ ，Ｎ ＮｅｒｓＮｅｇ ｂ ｒ ｉｉｎ ＮＤ）进 行 识 别 。基于 香 港 理 工大 学 Ｄｅ
基 于 掌 纹 、 人 脸 关 联 特 征 的 身 份 识 别 算 法
李 春芝 ， 陈晓华 ， 蒋 云 良 １， ， ２ 张士雄 。
（ ．湖 州 师 范 学 院 信 息 工 程 学 院 ，浙 江 湖 州 ３ ３ ０ ；２ 浙 江 大 学 计 算 机 科 学 与 技 术 学 院 ，浙 江 杭 州 ３ ０ ２ ： １ 原始数据直接进行融合 ，将导致计算复杂 ，同时考虑到传统 的子空间分析方 法 ，容 易受 到 噪 声 影 响 ，且 仅 反 映 了 图像 行 （ ）之 间的 变 化 ，遗 漏 了 图像 列 （ ）之 间 的变 化 ，而 图 像 列 （ ） 列 行 行

掌纹识别算法综述

掌纹识别算法综述

掌纹识别算法综述
岳峰;左旺孟;张大鹏
【期刊名称】《自动化学报》
【年(卷),期】2010(0)3
【摘要】掌纹识别作为一种新兴的生物识别技术,近年来得到了广泛的关注与研究.与其他生物特征相比,掌纹有许多独特的优势,包括识别率高、采集设备价格低廉、用户可接受性好等.这些优势使得掌纹识别成为一种有着广泛应用前景的生物识别方法.本文首先介绍了掌纹的特点、掌纹的采集设备和预处理方法,之后详细介绍了近几年来提出的各种掌纹识别方法.根据特征提取以及匹配方法的不同,本文将掌纹识别方法分为基于结构的、基于子空间的、基于编码的和基于统计的四类方法.在回顾和比较了各种算法的特点之后,对未来的掌纹识别方法的发展方向作了展望.【总页数】13页(P353-365)
【作者】岳峰;左旺孟;张大鹏
【作者单位】哈尔滨工业大学计算机学院生物信息技术研究中心,哈尔滨,150001;哈尔滨工业大学计算机学院生物信息技术研究中心,哈尔滨,150001;香港理工大学计算学系生物识删技术研究中心,香港
【正文语种】中文
【相关文献】
1.基于GIDBC的掌纹识别算法研究 [J], 赵欣;欧剑
2.掌纹掌脉图像超小波域融合识别算法 [J], 李新春;曹志强;林森;张春华
3.一种基于二维匹配滤波器的掌纹识别算法 [J], 顾晓峰;朱宏擎
4.基于LDP和PNN的掌纹识别算法 [J], 周萍萍;王晅;;
5.基于Stein-Weiss函数的彩色掌纹特征识别算法 [J], 吴明珠; 陈瑛; 李兴民因版权原因，仅展示原文概要，查看原文内容请购买。

基于PNN的手势识别

基于PNN的手势识别

基于PNN的手势识别魏庆丽;肖玮;梁伟强;孙振超;张莉【摘要】为了实现人体手势姿态识别的目标,选用氯化银(AgCl)贴片电极作为信号传感端,通过采集前臂表面肌电(SEMG)信号,经信号放大、滤波等前期处理,再经活动段检测、降噪等信号处理后,提取伸食指、握拳、伸腕、屈腕4种手势的均方根值和积分EMG值作为特征向量,送入概率神经网络(PNN)中进行训练识别,实现人体手势识别.实验结果表明:PNN对前臂SEMG信号的模式识别的正确率可达到97.62％,将PNN应用于手势识别系统具有可行性.【期刊名称】《传感器与微系统》【年(卷),期】2018(037)008【总页数】3页(P16-18)【关键词】概率神经网络;表面肌电信号;手势识别;模式识别【作者】魏庆丽;肖玮;梁伟强;孙振超;张莉【作者单位】吉林大学仪器科学与电气工程学院,吉林长春130061;吉林大学仪器科学与电气工程学院,吉林长春130061;吉林大学仪器科学与电气工程学院,吉林长春130061;吉林大学仪器科学与电气工程学院,吉林长春130061;吉林大学仪器科学与电气工程学院,吉林长春130061【正文语种】中文【中图分类】TP1830 引言表面肌电[1,2](surface electromyography，SEMG)信号具有采集过程无创性、易被检测性等优点，随着检测技术和信号处理技术的快速发展受到了越来越多的青睐，国内外学者对使用神经网络处理表面肌电信号也有了更加深入的研究。

国外学者Mahdi Khezri采用一种自适应神经模糊推理系统识别手部动作命令且动作识别率达到92 %[3]；国内张毅等人采用小波变换和AR模型对SEMG进行分析处理，利用径向基函数(radial basis function,RBF)神经网络对SEMG信号进行模式识别，正确识别出了手势动作[4]；杨善晓用小波变换多尺度分解系数的最大和最小值作为特征量将特征向量输入到改进的基于L-M算法的反向传播(back propagation,BP)神经网络，取得了十分理想的识别效果[5]。

基于深度学习的非接触掌纹识别方法

基于深度学习的非接触掌纹识别方法

基于深度学习的非接触掌纹识别方法
郑仕伟;韩俊刚
【期刊名称】《微电子学与计算机》
【年(卷),期】2018(35)4
【摘要】采用非接触的方式获取到的掌纹图像容易受到手掌摆放姿势、光照条件等因素的影响,造成识别效果欠佳.针对这些问题,提出使用卷积神经网络来处理非接触式掌纹识别问题.首先利用肤色阈值切割出手掌图像,采用一种指根点检测算法确定指根点,使用确定的指根点建立坐标系,分割出ROI图像.其次,使用卷积神经网络自动提取特征,并将提取到的特征送入分类器得出结果.最后,在公开掌纹数据库上进行实验,取得了不错的识别效果,证明了此方法的有效性.
【总页数】5页(P98-102)
【关键词】卷积神经网络;掌纹识别;深度学习;非接触
【作者】郑仕伟;韩俊刚
【作者单位】西安邮电大学计算机学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于非负稀疏编码和RBPNN的掌纹图像识别方法 [J], 尚丽;陈杰
2.基于局部非负稀疏编码的掌纹识别方法 [J], 尚丽;苏品刚;杜吉祥
3.基于非接触采集下的鲁棒掌纹识别 [J], 桑海峰; 马月施; 黄静
4.基于非接触采集下的鲁棒掌纹识别 [J], 桑海峰; 马月施; 黄静
5.基于结构光非接触式三维掌纹采集系统与数据对比 [J], 李磊;高凤娇;宋昌江;张建平
因版权原因，仅展示原文概要，查看原文内容请购买。

掌纹识别的一种新的特征提取方法

掌纹识别的一种新的特征提取方法

掌纹识别的一种新的特征提取方法吴献超;刘莎;侯晓荣;景海斌【期刊名称】《计算机应用研究》【年(卷),期】2009(026)007【摘要】通过分析已有的掌纹识别方法和特征提取所面临的问题,提出了一种新的掌纹识别算法--直接监督保局投影(DSLPP).该算法在传统的保局投影(LPP)算法中加入类别信息,同时对角化XLX T和XDX T,可以直接达到保局投影算法的最优准则,并且无须在原始高维数据(如原始图像)上先进行任何特征提取或降维处理.在PolyU 掌纹库中进行实验,与Eigenpalm、Fisherpalm和LPP算法相比具有较高的识别速度和识别率;当掌纹库中图像总数为600张,共100人,每人用5张掌纹图像作为训练样本,1张掌纹图像作为测试样本时,可以达到100%的识别率.【总页数】3页(P2777-2779)【作者】吴献超;刘莎;侯晓荣;景海斌【作者单位】宁波大学,理学院,浙江,宁波,315211;宁波大学,理学院,浙江,宁波,315211;宁波大学,理学院,浙江,宁波,315211;河北建筑工程学院,数理系,河北,张家口,075024【正文语种】中文【中图分类】TP391.41【相关文献】1.一种新呼吸音信号特征提取方法与应用 [J], 崔星星;苏智剑2.手写体汉字识别中的一种新的特征提取方法-弹性网格方向分解特征 [J], 金连文;徐秉铮3.一种新的房颤心电融合特征提取方法 [J], 韦杰英;王迪;孙亚楠;张瑞4.一种新的复杂网络建模和特征提取方法及应用 [J], 田甜; 温广瑞; 张志芬; 徐斌5.一种新的基于2维傅里叶谱图像的恒星光谱特征提取方法和深度网络分类应用[J], 张静敏; 马晨晔; 王璐; 杜利婷; 许婷婷; 艾霖嫔; 周卫红因版权原因，仅展示原文概要，查看原文内容请购买。

掌纹掌脉图像超小波域融合识别算法

掌纹掌脉图像超小波域融合识别算法

掌纹掌脉图像超小波域融合识别算法李新春;曹志强;林森;张春华【期刊名称】《计算机应用》【年(卷),期】2018(038)008【摘要】针对单一生物特征识别技术易受外界各种因素影响,识别率和稳定性有待提高的问题,提出一种掌纹掌脉图像超小波域融合识别算法NSCT-NBP.首先,对掌纹掌脉图像利用非下采样Contourlet变换(NSCT)进行分解,将得到的低频和高频子图像分别利用区域能量和图像自相似原理进行融合;然后,对融合后的图像利用近邻二值模式(NBP)提取纹理特征,获得特征向量;最后,通过计算特征向量间的汉明距离比较融合图像间的近似程度来计算等误率(EER).在PloyU图库及自建图库上进行实验,结果表明,NSCT-NBP算法可获得最低的EER,分别为0.72％和0.96％,识别时间仅为0.0530 s和0.087 1 s,与当前最优的基于小波变换和Gabor滤波器的掌纹掌脉融合方法相比,在两个图库上EER分别降低了4％和36.8％.NSCT-NBP算法能够有效融合掌纹掌脉图像的纹理特征,具有良好的识别性能,并且掌纹掌脉特征的融合增强了识别系统的安全性.【总页数】6页(P2205-2210)【作者】李新春;曹志强;林森;张春华【作者单位】辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛125105;辽宁工程技术大学研究生院,辽宁葫芦岛125105;辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛125105;辽宁工程技术大学研究生院,辽宁葫芦岛125105【正文语种】中文【中图分类】TP391.4【相关文献】1.多光谱掌脉和掌纹离焦图像融合方法 [J], 汤永华;苑玮琦2.基于局部线性二值模式的掌纹掌脉融合识别 [J], 王颖;惠晓威;林森3.基于图像融合的去掌纹手掌静脉图像增强方法 [J], 袁玲;黄靖;刘娅琴;杨丰4.改进的单幅近红外掌纹掌静脉图像融合识别 [J], 江晓龙;王华彬;王东旭;朱颜;陶亮5.基于局部邻域四值模式的掌纹掌脉融合识别 [J], 李新春;马红艳;林森因版权原因，仅展示原文概要，查看原文内容请购买。

一种新颖的低分辨率条件下的掌纹识别方法

一种新颖的低分辨率条件下的掌纹识别方法

一种新颖的低分辨率条件下的掌纹识别方法
苑玮琦;赵伟鹏;桑海峰
【期刊名称】《计算机应用研究》
【年(卷),期】2008(25)10
【摘要】掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术.当今的掌纹识别方法存在的比较困难的问题之一就是在特征提取时受一些客观因素制约,影响后面的匹配精度.为此,提出一种改进的基于相位相关的掌纹图像匹配算法.该算法不受光照、平移的影响,对噪声也有很好的鲁棒性.在此基础上实验了该算法在不同分辨率下的表现,发现当分辨率降为原图像的十六分之一时,该算法仍然能取得较高的识别率.证明了该算法在较低分辨率下的有效性.
【总页数】3页(P3066-3068)
【作者】苑玮琦;赵伟鹏;桑海峰
【作者单位】沈阳工业大学视觉检测技术研究所,沈阳,110023;沈阳工业大学视觉检测技术研究所,沈阳,110023;沈阳工业大学视觉检测技术研究所,沈阳,110023【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于独立分量分析的一种改进的掌纹识别方法 [J], 裴昱;温洁嫦
2.基于高通滤波及LBP主成分特征的一种掌纹识别方法 [J], 张亚莉;李云峰;陈红涛
3.一种改进的BDPCA掌纹识别方法 [J], 薛延学;刘一杰;刘超;白晓辉
4.刚性变形成像条件下掌纹识别方法研究 [J], 苑玮琦;陈文
5.一种基于数据场和小波包熵的掌纹识别方法 [J], 王艳霞;赵建民;郑忠龙;孙广华因版权原因，仅展示原文概要，查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Figure 2. The palmprint image based the LDP coding 图 2. 经 LDP 编码后的掌纹图像
纹图像经 LDP 编码后的纹理图像。
2.2. 掌纹特征描述
相对于局部二值模式编码了局部区域的邻点之间的关系，局部方向模式考虑了更多的细节特征，它 不仅编码了局部区域的邻点关系，还编码了局部区域上的空间关系，然而，由于特征的局部化特性，使 它容易受到噪声的干扰而减弱其健壮性，缺乏对图像整体的粗粒度把握。因此分块的 LDP 被提出来弥补 传统 LDP 的不足。 本文对掌纹图像的感兴趣区域进行 4 * 4 的分块处理， 对每一块的每个像素点进行 LDP 编码。最终按照从上到下、从左到右的顺序将各分块直方图联合起来组成一幅掌纹图像的特征。图 3 所 示为特征直方图的联合过程。
Open Access
1. 引言
几个世纪以来，身份鉴定始终是一个关键任务的必须要求，即一个对象只有这个正确的人拥有。因 此通过一个项目或一个标记来确认身份这一过程始终得以发展，且这一过程日益完美和安全。现今有许 多方法可用来进行身份识别，一个可靠的方法必须难以复制且准确性高，探索发现人类本身具有这些特 征即生物识别特征，包括生理特征(虹膜、指纹、语音、脸部和掌纹等)和行为特征(如签名、步态、击键 特征等)[1]， 通过对这些高效和独特的特征进行图像处理和模式识别， 从而进行可靠的分析和准确的描述， 判断这些描述的相似性从而实现自动确认身份这一技术即生物识别技术。目前的生物识别技术有虹膜、 脸部、语音、指纹、掌纹等人体特征的识别技术，有时甚至几种方法一起使用，然后交叉引用从而大大 增加鉴别的精确度[2]。掌纹识别由于其特征明显、稳定可靠、获取成本低和用户接受度好等特点而被广 泛应用[3]。 现有的掌纹识别方法大致可以分为三类， 即基于结构的方法、 基于子空间的方法和基于纹理的方法。 按照应用层面分类， 掌纹识别系统分为接触性和非接触型， 接触型这类采集设备一般具有半封闭的外壳， 内部设置光源， 用户将手放在设备之上， 在辅助定位装置的约束下完成采集。 这类图像具有单一的背景， 均匀的光照，同时避免了手部晃动，具有较高的识别精度，但用户接受度和实用性有待提高。非接触型 提高用户接受度并且扩展了掌纹识别的应用领域。但由于移除了定位装置，掌纹图像会发生掌纹形变， 包括线性形变与非线性形变。 根据掌纹图像的采集方式分类， 掌纹识别系统又可分为脱机式和联机式[3]， 脱机式大多用于高分辨率的掌纹图像，利用乳突纹和细节点进行识别，主要应用于刑侦、司法等领域。 联机式用于低分辨率的掌纹图像，利用主线和褶皱信息进行识别，主要应用于民用和商业应用。 有关掌纹识别的早期著作主要集中于利用掌纹图像的结构特征，如主线、褶皱和细节点的方向位置 信息。研究者们开发边缘探测器或使用现有的边缘检测方法来提取掌纹线[4] [5] [6] [7]，再用直接匹配或 以其他格式表示匹配来进行识别。这类方法对脱机式的高分辨率图像产生了很好的识别率，但对于联机 式的低分辨率图像，由于图像的边缘特征对图像的位置、方向、光照、噪声干扰等因素较为敏感，所以 此类方法对这些因素的鲁棒性不高，而且这类方法的性能易受边缘检测算子的影响。 为了克服上述不足， 基于子空间的方法是将掌纹图像看作是高维向量或矩阵[8] [9]， 通过投影或变换， 将其转换为低维向量或矩阵，并在此低维空间下对掌纹图像进行表示和匹配。目前较为广泛的方法主要 包括 ICA、PCA [10]、LDA [11]，子空间系数被认为是特征，但证明发现无论是高分辨率还是低分辨率 图像， 基于子空间的方法对取向、 位置以及照明的变化较不敏感， 因此在掌纹识别的应用中准确性不高。
2. 基于 LDP 的特征提取
2.1. LDP 描述子
在 3*3 的局部区域上， 通过计算 8 个不同方向上的边缘响应值， 从而形成 8 位的二进制编码， 即 LDP 编码。给定图像中的中心像素，通过 Kirsch 掩码 M i [18]计算 8 个方向的边缘响应值 mi ( i = 0,1, , 7 )， 其中 8 个掩码为：
Computer Science and Application 计算机科学与应用, 2018, 8(4), 464-471 Published Online April 2018 in Hans. /journal/csa https:///10.12677/csa.2018.84051
DOI: 10.12677/csa.2018.84051
465
计算机科学与应用
周萍萍，王晅
通常情况下该类方法对每个类别都需要多个训练样本，且训练样本的选取对识别结果影响较大。 基于纹理的方法扩展了掌纹识别的纹理分析方法，通过提取掌纹图像的主线或褶皱形成的特征进行 识别。 掌纹纹理的获得可以通过许多技术， 如傅立叶变换[12]， 高斯滤波器， 小波和 Gabor 小波等[13] [14] [15]。此类方法适用于脱机式与联机式两种掌纹识别系统，其识别精度普遍高于基于子空间分解的方法， 但是纹理特征本身在采集过程中就对位置方向的变化较为敏感，即使在同一设备上进行采集，由于每次 采集都会有位置方向上的偏差，因此采集到的掌纹图像也会发生不同程度的变化。 局部二值模式(LBP)是纹理分类中一种简单有效的全局特征，LBP 算子是一种有效的纹理描述算子， 并且该算子具有很好的灰度和旋转不变性，因此在纹理描述中有关 LBP 算子的衍生体取得了巨大研究 [16]。LBP 将局部区域内的相邻像素进行比较，计算简单且效率高，但灰度值很容易受随机噪声、非单 调光照变化等的影响进而影响分类的准确性，针对噪声敏感这一缺点，Jabid 等人提出对像素邻域 8 个方 向上的边缘响应构造描述子，称为局部方向模式(LDP) [17]。LDP 继承了 LBP 的优点，并利用了纹理的 方向性，在一定程度上增强了抗随机噪声、光照变化的干扰能力，有效地克服了噪声带来的影响，对掌 纹图像的旋转、尺度和亮度的变化有良好的鲁棒性，在掌纹识别中带来了很好的应用。
nd th th
Abstract
To alleviate the limitations that the existing palmprint recognition methods are time-consuming, and their robustness to the variations of orientation, position and illumination is insufficient, this paper uses LDP operator to get feature extraction. The paimprint image is divided into sub-regions. Then connecting these sub-regions LDP histogram to generate palmprint feature vector, this can increase the similarity of the same type of palmprint image. In order to improve the recognition accuracy and accelerate the recognition speed, the classification is performed by Probabilistic Neural Networks (PNN). It is also shown that the proposed approach is robust to the variations of orientation, position and illumination and improves the recognition rate, and accelerates the recognition speed.
Keywords
Feature Vector, LDP Histogram, Probabilistic Neural Networks (PNN), Palmprint Recognition
基于LDP和PNN的掌纹识别算法
周萍萍，王 晅
陕西师范大学，物理学与信息技术学院，陕西 西安
收稿日期：2018年4月2日；录用日期：2018年4月18日；发布日期：2018年4月25日
图像中的每个像素都用这 8 个掩码进行卷积，每个掩膜都对某个特定方向做出最大边缘响应，并对 边缘响应取绝对值排序，最高的 k 个响应值 mi 被选中，相应的方向位被设置为 1，剩余的(8 − k)位被设 置为 0。因此 LDP 编码被定义如下：
= LDPk
1, a ≥ 0 其中， bi ( a ) = 0, a < 0
∑ i=0 bi ( mi − mk ) 2i
。当 k = 3 时，相应的 LDP 算子的编码方式如图 1 所示。图 2 所示为掌
DOI: 10.12677/csa.2018.84051 466 计算机科学与应用
周萍萍，王晅
Figure 1. The code process of the LDP operator 图 1. LDP 算子的编码方式
Research of Palmprint Identification Algorithm Based on LDP and PNN
Pingping Zhou, Xuan Wang
School of Physics and Information Technology, Shaanxi Normal University, Xi’an Shaanxi Received: Apr. 2 , 2018; accepted: Apr. 18 , 2018; published: Apr. 25 , 2018
摘
要
针对现有的掌纹识别算法对掌纹图像的旋转、尺度和亮度变化缺乏足够的鲁棒性，而且识别速度较慢的 问题，本文通过LDP算子进行特征提取，将掌纹分成若干子区域后，然后通过连接这些子区域的LDP直