论文部分内容阅读
生物特征识别技术如今在人们的生产、生活等社会活动中扮演着越来越重要的角色,对身份识别的贡献尤为突出。掌纹特征因其稳定、独特、准确、可靠的特性引发了广泛关注。尽管现有的掌纹识别方法已成功应用于多个领域,但大多基于接触式采集设备,采集的掌纹图像受光照、尺度等因素影响较小,但用户友好性较低。针对上述问题,本文对非接触式掌纹识别技术进行研究。非接触式掌纹图像存在光照不均匀、尺度不一、平移、旋转、形变等对识别的精度有较大影响的问题,且系统需对掌纹特征库存储,增加了系统开销。为解决以上问题,本文首先提出了一种混合Sobel-Gabor变换(Mixture of Sobel-Gabor,MSG)的特征提取算法,结合毯子维算法准确地表达了掌纹的尺度方向信息;接着提出了利用分类思想对非接触式掌纹进行特征识别,将支持向量机(Support vector machine,SVM)与尺度不变特征变换(Scale invariant feature transform,SIFT)相结合,不仅提高了识别精度,而且节约了系统的存储开销;最后,提出了一种基于分批训练的SVM和SIFT特征的识别算法,通过进一步细化掌纹的尺度特征,进一步提高识别率。文章的主要工作包括以下几方面:(1)首先使用Sobel算子对掌纹样本做卷积,再通过两种Gabor变换和Minkowski距离来剔除部分可能产生伪特征的样本,得到最终的Gabor特征,提取每个Gabor特征图的毯子维特征,最终利用相关性计算分类;(2)提出了基于分类思想的非接触式掌纹识别,节约了系统存储开销。首先对样本提取SIFT特征,然后输入SVM进行分类,最后利用卡方距离对分类结果进行进一步的类别决策,得到最终的识别结果;(3)基于分类思想,提出了一种分批训练SVM的识别方法,通过对训练样本集进行不同尺度的变换,得到多个训练集,分别训练出多个SVM。在测试阶段,将测试样本分别输入这若干个SVM中得到多个子分类结果,并将结果加权平均,通过卡方距离做出最终决策。