非接觸掌紋圖像增強(qiáng)與識(shí)別算法研究.pdf

1、掌紋識(shí)別已經(jīng)成為生物特征識(shí)別領(lǐng)域中一種新穎且有效的技術(shù)。
　　現(xiàn)有的掌紋識(shí)別以接觸性掌紋識(shí)別技術(shù)為主，而接觸性掌紋采集過(guò)程中存在公共環(huán)境的衛(wèi)生問(wèn)題，容易引起用戶的排斥，從而不利于掌紋識(shí)別系統(tǒng)的發(fā)展。而非接觸掌紋識(shí)別方式提高了用戶的可接受程度，擴(kuò)展了掌紋識(shí)別技術(shù)的應(yīng)用，逐步成為當(dāng)前的主流識(shí)別方式。然而在非接觸掌紋識(shí)別過(guò)程中，采集的手掌圖像不僅容易受到噪聲的污染和光線的影響，而且存在很多的形變，如平移、變換和旋轉(zhuǎn)等，這在很大程度上影響

2、了掌紋的識(shí)別效率。針對(duì)這些存在的問(wèn)題，本文主要的研究?jī)?nèi)容如下:
　　(1)針對(duì)手掌圖像容易受到噪聲污染和光照影響的問(wèn)題，本文提出了基于低通濾波與模糊域的掌紋圖像預(yù)處理算法。該算法將典型的低通濾波方式和改進(jìn)的模糊圖像增強(qiáng)算法進(jìn)行結(jié)合，首先利用典型的低通濾波處理掌紋的感興趣區(qū)域，進(jìn)而運(yùn)用改進(jìn)的模糊圖像增強(qiáng)算法將圖像變換到模糊域進(jìn)行處理，消除了掌紋圖像中光照和噪聲的影響，增強(qiáng)了掌紋圖像對(duì)比度。在絕對(duì)均值誤差(Absolute Mean

3、Brightness Error,AMBE)、峰值信噪比(Peak Signal to Noise Ratio，PSNR)等評(píng)價(jià)標(biāo)準(zhǔn)下，與其它掌紋圖像增強(qiáng)算法相比，本文所提出的算法AMBE值最小，PSNR值最大，取得了很好的處理效果。
　　(2)非接觸掌紋圖像形變問(wèn)題是影響掌紋識(shí)別率的核心問(wèn)題。針對(duì)手掌圖像中存在的形變問(wèn)題，本文主要設(shè)計(jì)了基于微調(diào)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的非接

4、觸掌紋識(shí)別的算法。相對(duì)于傳統(tǒng)的掌紋特征提取算法，CNN的特征學(xué)習(xí)能力以及在特征識(shí)別過(guò)程中對(duì)圖像的平移、旋轉(zhuǎn)或者其它的形變，可以保持高度不變性。本文采用了微調(diào)卷積神經(jīng)網(wǎng)絡(luò)AlexNet模型的方式，通過(guò)調(diào)整參數(shù)來(lái)對(duì)掌紋圖像進(jìn)行訓(xùn)練并分類(lèi)。仿真實(shí)驗(yàn)主要是在兩種公開(kāi)掌紋庫(kù)進(jìn)行，通過(guò)與未經(jīng)微調(diào)處理的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法和其它的非接觸掌紋識(shí)別算法相比，微調(diào)算法識(shí)別率最高達(dá)到了98％以上。同時(shí)對(duì)于增強(qiáng)圖像和原始圖像的處理對(duì)比，進(jìn)一步驗(yàn)證了算法的有效性