论文部分内容阅读
掌纹识别已经成为生物特征识别领域中一种新颖且有效的技术。现有的掌纹识别以接触性掌纹识别技术为主,而接触性掌纹采集过程中存在公共环境的卫生问题,容易引起用户的排斥,从而不利于掌纹识别系统的发展。而非接触掌纹识别方式提高了用户的可接受程度,扩展了掌纹识别技术的应用,逐步成为当前的主流识别方式。然而在非接触掌纹识别过程中,采集的手掌图像不仅容易受到噪声的污染和光线的影响,而且存在很多的形变,如平移、变换和旋转等,这在很大程度上影响了掌纹的识别效率。针对这些存在的问题,本文主要的研究内容如下:(1)针对手掌图像容易受到噪声污染和光照影响的问题,本文提出了基于低通滤波与模糊域的掌纹图像预处理算法。该算法将典型的低通滤波方式和改进的模糊图像增强算法进行结合,首先利用典型的低通滤波处理掌纹的感兴趣区域,进而运用改进的模糊图像增强算法将图像变换到模糊域进行处理,消除了掌纹图像中光照和噪声的影响,增强了掌纹图像对比度。在绝对均值误差(Absolute Mean Brightness Error,AMBE)、峰值信噪比(Peak Signal to Noise Ratio,PSNR)等评价标准下,与其它掌纹图像增强算法相比,本文所提出的算法AMBE值最小,PSNR值最大,取得了很好的处理效果。(2)非接触掌纹图像形变问题是影响掌纹识别率的核心问题。针对手掌图像中存在的形变问题,本文主要设计了基于微调卷积神经网络(Convolutional Neural Network,CNN)的非接触掌纹识别的算法。相对于传统的掌纹特征提取算法,CNN的特征学习能力以及在特征识别过程中对图像的平移、旋转或者其它的形变,可以保持高度不变性。本文采用了微调卷积神经网络AlexNet模型的方式,通过调整参数来对掌纹图像进行训练并分类。仿真实验主要是在两种公开掌纹库进行,通过与未经微调处理的卷积神经网络识别算法和其它的非接触掌纹识别算法相比,微调算法识别率最高达到了 98%以上。同时对于增强图像和原始图像的处理对比,进一步验证了算法的有效性。