论文部分内容阅读
生物特征识别技术因其稳定性、唯一性、便携性、安全性等优势使得人们相信不久的将来将逐步地取代传统的身份认证方式。掌纹作为一个重要的生物特征,在过去的十几年中已经吸引了大量的关注。尽管基于掌纹的识别方法已经被提出且成功地应用于身份认证,但之前的工作通常采用接触式装置获取的自然光图像进行识别,这使得系统易被攻击,存在较大的安全漏洞且进一步提高识别精度变得较为困难。针对上述问题,本文提出了两种可行性方法,一是采用非接触式采集装置获取掌纹图像,有效地防止掌纹模板的丢失;二是利用多光谱掌纹图像代替自然光掌纹图像进行识别,可有效地防止假掌纹入侵,同时能够进一步地提高识别精度。然而,随之而来的问题是:(1)非接触式采集时,由于拍照的角度和位置以及设备的离焦,使得图像不可避免地产生扭曲或失真,例如旋转、平移、噪声、光照、模糊等,从而导致识别系统性能降低。由此,本文采用VO图像分解模型获得掌纹图像的稳定结构层特征,设计加权的鲁棒梯度方向直方图算法(Weighted Robust Histogram of Oriented Gradients,WRHOG)进一步提取出结构层图像的特征。(2)对于多光谱掌纹识别,如何有效地融合不同光谱的掌纹特征使其获得更高更鲁棒的识别结果是我们所面临的重大挑战,本文提出了一种新颖的分级方法,首先提出了一种基于块的主方向编码方法(Block Dominant Orientation Code,BDOC)进行粗匹配,然后对粗识别的结果进行分类,将其分为正确匹配、错误匹配、需进一步匹配。在需要进一步匹配的区域,采用HOG作为细特征,从而实现细匹配,最后综合分级匹配的结果得到最终的匹配分数。此外,为了进一步提高特征的区分性、提高识别精度,对不同光段下的图像特征进行融合,提出了一种基于块选择的特征融合准则,即对于不同光段下的图像,选取梯度强度响应最大的图像块作为融合后的图像块。在香港理工大学(PolyU)的掌纹库上进行实验,取得了鲁棒且高精度的识别结果,表明了所提出算法的有效性和实时性。