论文部分内容阅读
当前处于网络信息化社会中,很多场合需要对人的身份进行真实可靠的鉴别,目前最有效的方法是生物特征识别技术。作为生物特征识别的一种,指节纹识别有着独特的优势和广泛的应用前景。相对于其他比较成熟的生物特征识别方法,指节纹识别虽然发展迅速,但是由于提出时间较晚,研究不够丰富,还存在一些有待解决的问题。首先,传统识别方法存在特征冗余,识别准确率低;其次,要做到实际应用于身份识别中,就需要快速识别,而关注识别速度的相关研究比较欠缺。本文基于PolyU-FKP数据库,针对以上问题,通过传统算法和深度学习方法进行了研究,具体研究内容如下:(1)针对指节纹图像线条结构不清晰、对比度较低的问题,采用限制对比度的自适应直方图均衡化来增强图像纹理,并提高对比度;(2)通过传统算法进行指节纹识别,提取指节纹图像Sift特征进行匹配,并提出结合LBP特征的相位相关算法。实验结果表明,传统算法提取的特征冗余较大、识别准确率较低,改进后的方法提高了识别的准确率。(3)针对传统算法特征冗余较大、识别率低的问题,采用深度信念网络对指节纹图像进行特征提取及分类,深度学习方法能有效解决特征冗余问题。对增强后的图像提取LBP特征,作为网络的输入,减小了光照不均匀和幅度很小的平移、旋转等局部变换对深度信念网络学习到的特征的影响。将输入改为LBP特征之后,相比于直接使用原图有效提高了识别的准确率,识别速度提高了10倍。(4)针对识别速度慢、特征表示对输入的局部变换鲁棒性较差的问题,将卷积神经网络和深度信念网络结合形成卷积深度信念网络,同时采用LBP特征作为输入,相比于深度信念网络,识别速度提高了24倍。(5)基于MATLAB平台,开发了一款基于指节纹的身份识别系统。该系统可在文件夹选择单张指节纹图像,进行限制对比度的自适应直方图均衡化,提取LBP特征,利用深度信念网络(DBN)和卷积深度信念网络(CDBN)分别识别,得到所属类别和识别时间。也可以获得左手食指、左手中指、右手食指、右手中指四个大类以及整个测试集的识别准确率和所需时间。