基于2DGabor和BDPCA的掌纹识别算法研究

摘要

掌纹识别技术作为一种新兴的生物识别技术，不但具有普遍、便利、稳定等生物识别技术共有的特点，而且拥有采集设备简单、采集形式多样、区分度高、用户易于接受等优点。对于掌纹图像，目前在基于子空间的方法中，应用较为广泛的是主成份分析法。其中BDPCA与2DPCA相比具有更好的降维效果，与PCA相比具有更好的鲁棒性，但是在小样本情况下，BDPCA效果仍然不理想。针对该问题，本课题在分析研究的基础上，进行了指间点定位方法的改进、2DGabor滤波器计算量减少、传统的BDPCA算法中最优特征提取的算法改进、以及相关的组合对比实验等方面的研究。最终采用2DGabor纹理特征特征提取结合M1BDPCA方法，有效的提高了小样本情况下的识别率。
　　本文的工作内容有以下几个方面:
　　1、对掌纹库中的图像进行预处理。其中包括原图像(384×284)二值化、连通域分析去噪、轮廓提取和定位分割五个过程，最后获得了感兴趣区域图像(ROI128×128)。其中在定位过程中，对已有的谷点定位方法采用改进指间点定位方法，进行查找含参考点的关键区域的研究，取得了良好的测试效果。
　　2、由于2DGabor纹理特征能够减小掌纹图像中光照对识别结果的影响，本课题根据2DGabor滤波器原理，通过实验结果证明在5个方向3个尺度上2DGabor滤波器就可以达到满意的效果，与传统的在5个方向3个尺度上2DGabor滤波器相比减少了计算量;在此基础上，进行ROI图像的纹理特征提取;此外为了减少无关特征区的数据，对ROI纹理特征图像进行了下采样，将15幅ROI纹理特征子图像由128×128变为32×32。
　　3、在传统的BDPCA方法中，由于散度矩阵算法采用均值矩阵的方式并不一定能够获取ROI纹理特征子图像的最佳特征投影，本文通过实验和分析，证明最小值矩阵M1能够获取ROI纹理特征子图像的最佳特征投影，因此提出改进的M1BDPCA方法，该方法与传统的BDPCA方法相比取得了更好的效果。
　　4、在最后的掌纹识别过程中，课题使用通用的最近邻分类器进行分类识别，利用欧式距离为判定依据。
　　本文以香港理工大学掌纹库为测试对象，采用VC++6.0开发了相应的实验系统，进行PCA、2DPCA、改进BDPCA与2DGabor的组合对比实验，测试结果证明，2DGabor与改进BDPCA相结合的方法相比于传统的BDPCA识别算法，不但在识别率上更优，而且在解决BDPCA小样本问题上有显著的效果。

目录

声明

摘要

1 绪论

1．1 课题研究背景与意义

1．2 掌纹识别发展现状

1．3 论文的主要工作

2 掌纹图像预处理

2．1 香港理工大学掌纹库

2．2 图像预处理过程

2．2．1 图像分割

2．2．2 图像去噪

2．2．3 掌纹边界提取

2．2．4 掌纹图像定位

2．2．5 掌纹图像旋转矫正

2．2．6 图像ROI区域提取

2．3 小结

3 ROI图像2DGabor变换

3．1 2DGabor滤波器介绍

3．2 改进2DGabor变换

3．3 纹理图像下采样

3．4 小结

4 2DGabor变换和M1BDPCA相结合提取掌纹特征

4．1 BDPCA方法

4．2 改进的BDPCA方法(M1BDPCA)

4．2 2DGabor变换和主成分分析方法相结合的掌纹图像特征提取过程

4．3 小结

5 分类识别

5．1 分类识别简介

5．2 本文中采用的分类方法

5．3 小结

6 实验系统设计与实验结果分析

6．1 实验系统设计

6．1．1 未加入2DGabor变换的PCA，2DPCA，M1BDPCA识别系统设计

6．1．2 加入2DGabor变换进行PCA，2DPCA，M1BDPCA识别系统设计

6．2 实验结果分析

6．2．1 选择不同Mp矩阵的对应的识别率测试及其与传统BDPCA方法识别率实验比较

6．2．2 不同特征提取方法对应的识别率测试

6．2．3 对不同训练样本情况下的测试

6．3 小结

7 总结与展望

致谢

参考文献