论文部分内容阅读
当前生物识别技术在信息安全问题中受到越来越多的关注。相比其它生物特征,掌纹识别技术具有采样简单、容易被用户接受、不需要高精度仪器采样与识别等优点。在以往的掌纹识别技术中,通常使用掌纹图像全部的信息,事实上,决定掌纹身份信息的主要因素是其中的纹线与皱褶特征,通过识别掌纹纹线与皱褶就可以达到掌纹识别的目的。在提取纹线与皱褶特征时噪声会严重影响生成图像的质量,CL多小波因其优良的性质不但可以很好地滤除高频噪声,并且还能够提取出不同方向的纹线与皱褶特征,因此本文采用CL多小波结合均值窗口法将掌纹图像转化为二值纹线图像完成掌纹特征的初步提取。鉴于复杂网络可以很好地描述图像的拓扑结构,进一步将二值纹线图像通过选择不同的阈值形成一系列动态演变的网络,通过对网络的描述实现对纹线结构的描述,提出基于多小波与复杂网络的掌纹识别。主要研究工作如下:1)提出基于CL多小波与均值窗口法的初级掌纹图像特征提取方法。在CL多小波分解图像中,有用信息主要包含在低频分量对应预滤波生成的低频、水平、垂直分量的子图LL1、LL2与LL3中,使用均值窗口法提取图像低频分量的局部纹路信息可以在最大程度上保留掌纹纹路信息,完成掌纹特征的初步提取。2)介绍复杂网络的基本概念,选取描述网络时使用的度量。3)提出基于CL多小波与复杂网络的掌纹识别方法。使用CL多小波与均值窗口法生成二值纹线图像,然后将二值子图BLL1、BLL2与BLL3拼接起来完成初级特征的提取;根据二值纹线图像以不同阈值生成一系列网络,计算网络的平均度、最大度、度的标准差与度的平均能量作为掌纹的次级特征;再将次级特征通过LDA（Linear Discriminant Analysis）降维得到最终特征;最后使用最近邻（NN,Nearest Neighbor）分类器进行分类。4)提出一种改进的基于复杂网络局部优化的多小波特征提取方法。在3)的方法中总体使用了三个分量信息进行了网络建模,同时包含了它们的自身结构信息与相对位置信息。但子图BLL1更多地反应了掌纹纹线与皱褶信息,而3)中方法并不能突出这一特点,因此在提取拼接图像信息的基础上,本方法进一步提取子图BLL1的掌纹全局信息与子图BLL1的四分图像的局部信息。通过分析与实验确定了采用平均度和标准差作为网络度量,结果表明改进方法降低了28%的特征维数并显著的提高了识别效果。本文采用CASIA（Institute of Automation of,Chinese Academy of Sciences）库进行实验,通过与传统方法对比证明了本文方法可以有效地进行掌纹识别。