基于Gabor小波和支持向量机的掌纹识别算法的研究

摘要

掌纹识别作为一种新兴的生物识别技术，因其识别区域大、易采集、精度高和可靠性高等优点得到了较快的发展。掌纹识别算法包括掌纹图像采集、掌纹图像预处理、掌纹特征提取以及掌纹特征匹配四个阶段。本文对掌纹特征提取和特征匹配进行了深入研究，具体工作如下：
　　(1)对现有的掌纹识别算法进行了总结，并比较了基于结构特征、基于统计特征、基于子空间特征和基于纹理及变换域特征等四类掌纹特征提取算法的优缺点。
　　(2)本文在重点研究了2DGabor滤波器组、二维主成分分析（two-dimensional principle component analysis，2DPCA）和支持向量机（support vector machine，SVM）的理论知识以及在掌纹识别技术上的应用，提出了基于Gabor小波和支持向量机的掌纹识别算法。算法主要分三个步骤，首先将掌纹图像用2DGabor滤波器组对图像进行滤波并下采样得到Gabor特征矩阵，之后用2DPCA降维，最后将得到的特征向量送进SVM进行学习分类，从而提高小样本掌纹的识别精度。
　　(3)通过仿真实验验证了本文提出的算法在掌纹识别中的有效性。实验结果表明，本文算法可以较好的解决掌纹小样本识别问题，即使在样本数量较少时也能保持较高的识别率。

目录

封面

中文摘要

英文摘要

目录

插图和附表清单

1 绪论

1.1 研究背景

1.2 生物特征识别技术

1.3 掌纹识别技术

1.4 掌纹识别技术的研究现状

1.5 本文主要研究内容

1.6 本文主要创新点

2 掌纹特征的提取

2.1 基于结构特征的方法

2.2 基于统计特征的方法

2.3 基于子空间特征的方法

2.4 基于纹理及变换域特征的方法

2.5 掌纹特征提取算法的比较

3 基于Gabor小波和支持向量机的掌纹识别算法

3.1 算法简介

3.2 2DGabor小波变换

3.3 基于2DPCA的掌纹特征降维

3.4 SVM简介

3.5 本章小结

4 算法实现及仿真实验

4.1 试验环境

4.2 实验1

4.3 实验2

4.4 实验3

4.5 结果分析

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

作 者 简 介