基于多光譜和2D-3D掌紋的識別與融合方法研究.pdf

1、掌紋識別作為一種重要的生物特征識別技術(shù)，具有結(jié)構(gòu)穩(wěn)定，分辨率低，成本低等特點。與人臉識別技術(shù)相比，掌紋識別不容易受表情和光照變化的影響；與指紋識別相比，掌紋識別具有更豐富的特征。因此越來越多的學者展開了對掌紋識別的研究。
　　掌紋特征具有多樣性，比如不同波段的光譜下得到的多光譜掌紋圖像之間具有不同的掌紋特征；2D掌紋圖像具有豐富的紋理特征，結(jié)構(gòu)光下采集到的3D掌紋具有豐富的深度信息。不同的掌紋特征之間又同時具有局限性和互補性。因此

2、對于這些不同的掌紋特征而言，如何有效地使用特征抽取和特征融合的技術(shù)來提高掌紋的識別率，是目前掌紋識別中的一個重要研究方向，同時也是本文的主要研究內(nèi)容。本文的主要研究工作和創(chuàng)新點包括：
　　1.對于多光譜掌紋識別，如何有效融合多個波段的掌紋圖像特征是其中的關(guān)鍵問題。針對此問題，本文提出了一種基于圖像線性判別分析IBLDA方法的特征融合方案。實驗證明本文提出的方法可以有效地融合多模態(tài)的掌紋特征，而且比QPCA方法和MCPCA方法的融合

3、方法效果更優(yōu)。另外，在多光譜掌紋識別中，如何從可供選擇的波段中，選擇最優(yōu)的一組波段進行融合也是一個關(guān)鍵問題。本文提出一種基于主成分分析方法和余弦相似性度量的多光譜掌紋的最優(yōu)波段組合和融合方案。實驗證明該方案既提高了整體識別率，又降低了時間復雜度。
　　2.多光譜掌紋識別中，融合不同波段樣本可以提高掌紋識別率，但是這些不同波段之間的信息并不是互補的。為了更好的進行掌紋識別，需要進一步剔除不同波段圖像之間的冗余信息。擴展的彩色圖像鑒別

4、分析模型（GCID）可以提取融合圖像的鑒別特征并去除各分量之間的冗余信息，但是它所使用的Fisher模型容易導致類內(nèi)散度矩陣奇異性。因此本文針對原有的GCID模型提出了改進的并行GCID模型。并行GCID模型包含雙目標函數(shù)，即將原有的Fihser模型中的兩個比值分開計算，并最終通過構(gòu)造復數(shù)矩陣的形式將結(jié)果融合在一起。實驗結(jié)果表明本文提出的并行GCID模型與其他流行的掌紋識別方法相比具有更高的識別率。
　　3.2D掌紋圖像包含了豐富

5、的紋理信息，但是2D掌紋容易偽造并且更易受光照變化的影響。3D掌紋圖像包含了掌紋表面的深度信息，可以克服2D掌紋的不足。有效融合2D和3D掌紋以取得更高的掌紋識別率同樣具有重要意義。因此，我們設(shè)計了兩種基于2D和3D掌紋的特征抽取和融合方案。首先，提出了一種使用3D掌紋的均值曲率圖特征和使用2D掌紋的Gabor特征，并對其進行匹配得分層融合的策略。實驗結(jié)果表明了該融合方案可以將2D+3D掌紋的識別率提高2％。同時掌紋識別中存在掌紋圖像的

6、旋轉(zhuǎn)以及平移問題。為了克服該問題，本章還提出了一種使用Daisy描述符和SIFT特征來提取掌紋圖像樣本的方向信息的方案。實驗表明該方案確實可以增強掌紋識別對圖像旋轉(zhuǎn)與平移的魯棒性。
　　4.通過降低掌紋圖像的維度，可以獲得稀疏性的線性表達，還可以提高掌紋融合的有效性?；谙∈璞磉_的流形學習方法與傳統(tǒng)的線性降維方法相比，可以獲得稀疏性的表達系數(shù)矩陣，這樣在進一步的樣本分類階段就可以降低時間復雜度并提高分類正確率。因此本文將稀疏性的流

7、形學習方法與l2,1范數(shù)相結(jié)合，提出了一種基于l2,1范數(shù)的魯棒性特征抽取算法來抽取掌紋特征。該算法能夠有效地發(fā)現(xiàn)高維數(shù)據(jù)中的本質(zhì)維數(shù)，能更好的進行維數(shù)約簡和數(shù)據(jù)分析；同時該算法還可以發(fā)現(xiàn)嵌入在高維數(shù)據(jù)空間的低維流形結(jié)構(gòu)，可以深度挖掘數(shù)據(jù)點之間內(nèi)在的結(jié)構(gòu)信息。實驗結(jié)果表明，與其他流形學習以及降維方法相比，本文提出的基于l2,1范數(shù)的優(yōu)化模型可以有效地提高掌紋識別率。
　　綜上所述，本文主要針對基于特征融合的掌紋識別方法進行了研究，