论文部分内容阅读
掌纹特征识别是典型的生物模式识别技术之一,手掌纹理具有独特性、稳定性以及可靠性,且掌纹图像的采集区域大、对采集设备要求较低、采集方式易被人们接受,因此,研究掌纹识别技术具有重要理论价值和实际意义。掌纹特征的提取与识别算法是掌纹识别中的关键技术,本文针对噪声干扰和旋转等复杂条件下掌纹识别困难的问题,结合卷积神经网络(Convolutional Neural Network,CNN)的特点,提出利用优化的卷积神经网络算法对掌纹特征进行提取,利用Softmax算法对掌纹进行分类识别。本文主要进行的研究工作如下:1)CNN模型建立的好坏是决定识别效果的关键因素,也是使用CNN进行识别的难点之一,本文研究了CNN模型的关键参数,结合掌纹图像的特点和经验,提出了根据实验建立CNN模型的方法。2)针对当前具有权威性的掌纹库训练样本都比较少,而CNN训练要求要有足够大的样本数,以及当前方法受到噪声和旋转的影响也比较大的问题,提出一种基于空间域的图像样本扩充处理方法:利用添加噪声和旋转插值数据方法(Database With Noise and Rotate,DWNR)对掌纹库进行扩充。结合(1)中提出的CNN建模方法进行模型建立以及测试实验,证明了所提出的基于DWNR和CNN的抗噪声和旋转的掌纹识别方法可以有效进行掌纹识别,并对图像噪声和图像旋转具有良好的鲁棒性。3)在提出的空间域图像样本扩充处理基础上,考虑到预处理阶段为了提高对噪声和旋转的鲁棒性添加了大量样本,虽然满足CNN训练的要求并提高了方法性能,但也增加了训练复杂度,提出采用环形对称Gabor变换(Circularly Symmetrical Gabor Transforms,CSGT)对图像和带有较低噪声污染的图像进行分解,保留原图及去除最高频率分量外的其它频率分量,一方面达到扩充样本数量的目的,另一方面也有对含较重噪声图像起到了过滤噪声的效果,相较(2)的样本扩充方法,样本数量大大降低。结合(1)中CNN建模思路,提出基于CSGT和CNN的掌纹识别,实验结果表明,所提出方法较(2)中方法有效降低了时间复杂度,提高了掌纹识别的鲁棒性和识别率。