局部方向二值模式结合协同表示的3D掌纹识别.docx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《局部方向二值模式结合协同表示的3D掌纹识别.docx》由会员分享,可在线阅读,更多相关《局部方向二值模式结合协同表示的3D掌纹识别.docx(17页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、局部方向二值模式结合协同表示的3D掌纹识别随着社会科技水平的开展,信息安全已是当今社会面临的一个重 大难题。在银行、刑侦、门禁、商场、车站和机场安检等应用场景中, 基于生物特征的模式识别由于其可靠性和准确性受到越来越多的关 注lo其中掌纹识别2不仅包含丰富的识别特征(主线、纹线 端点、纹线分叉、褶皱等),而且受外界干扰小,非常稳定。与虹膜 识别3相比,掌纹图像的采集设备要求较低,且对用户友好;伴 随着硅胶指纹套的出现,指纹识别4身份认证变得不再可靠;而 步态识别5容易受到情绪和年龄的影响,造成识别效果不佳。所 以,掌纹识别目前已经成为生物特征识别方面极其重要的研究内容, 具有广阔的开展空间和极
2、大的社会应用价值。目前掌纹识别方法主要包括2D和3D掌纹识别。在2D掌纹识别方面, Zhang等人6首先采用Gabor滤波器提取掌纹的方向特征,并通 过汉明距离进行识别。在此基础上,又有许多通过方向特征进行识别 的方法被提出,如竞争编码7、BOCV 8等。此外,基于机器学 习的方法也已经应用于掌纹识别,如子空间方法9、深度学习方法 10等。2D掌纹识别虽然准确率较高,但也存在一些缺点。首先, 2D图像无法完全表达掌纹图像的三维信息;其次,光照的变化会明 显影响掌纹的图像质量,造成识别精度的下降;最后,2D掌纹图像 安全性能差,容易被窃取,不利于个人隐私的保护。式中:co,c和co,i分别表示中
3、心像素和相应相邻点的方向置信度。 当uO时,s(u)为1,否那么为Oo与传统的局部二值模式(Local Binary Pattern, LBP)相比,CBP是卷积响应的结果,其结果更稳定,抗噪 能力强。由于掌纹的主方向和方向置信度具有高度相关的信息,因此将两者结 合。具体来说给定一张掌纹图像,将其均匀地划分为一组不重叠的块, 块的大小设置为16像素X16像素。对于每个块分别提取主方向和相 应的置信度,进而分别计算特征直方图。然后,将基于块统计的OBP 和CBP直方图结合,得到掌纹的全局直方图,定义为基于3D掌纹图 像的LOBP特征。图4显示了提取LOBP特征的基本思想。图4LOBP方法基本思想
4、Fig. 4Basic idea of LOBP method3.2基于协同表示的掌纹分类3. 2. 1基于稀疏表示的分类方法稀疏表示的思想15 (Spare Representation For Classification, SRC)是将测试集样本的特征表示为训练集字典中元素的线性组合, 并且通过字典的最小残差来判断测试图像的类别。假设训练集的样本数量足够多,当判断与测试样本不属于同一类别时,其线性系数即视 作非零值;当判断与测试样本属于同一类别时,其线性系数视作零值。 SRC算法的具体步骤如下:Stepl:对训练集样本和测试集样本提取特征向量并对提取到的特征 向量进行归一化操作,用1代替
5、12范数,同时获取训练集的字典矩 阵A和测试集的特征向量yoStep2:求解最小11范数问题。(Y 八)二argmin Y Y 1,使得y - An II22(13)式中:e表示y与Y之间的编码误差。Step3:计算类别残差。ei (y)二y-Ai Y 八 i2(14) 式中:Y八i为第i类的编码系数矢量。Step4:计算测试样本类别。identity (y)=argminiei(y)(15)将使ei(y)最小的i所对应的类别作为测试集样本的类别,用 identity (y)表示。基于协同表示的分类方法协同表示18 (Collaborative Representation, CR)这一分类思
6、 想,是用12范数来替代SRC分类方法中的H范数。基于稀疏表示的 分类方法中,一要求测试集特征向量y的编码系数矢量呈稀疏分布, 二要求测试集特征向量y的稀疏编码是基于所有训练集样本协同表 示的结果。基于11范数的稀疏表示计算复杂度高,且无法表达协同 表示的重要作用,而基于12范数的协同表示那么解决了这一问题,这 种方法称为基于协同表示和规那么最小二乘法的分类方法(Classification Based On Collaborative Representation AndRule Least Square Method, CRC_RLS)oCRC_RLS算法的具体步骤如下:Stepl:用A=
7、A1,A2,. ,AK表示第K类掌纹的训练样本集A,那么第 i类训练样本可以定义为:Ai=vi, l,vi,2,. ,vi,n,RmXni(j= 1,2,. . . ,ni(16)式中:vi,j为第i类掌纹的第j个样本的特征向量,n为特征向量的 维度。Step2:假设yRm表示一个测试样本的特征向量,那么可以用训练样本 集中的特征向量线性表示出y, yA x , x = x 1; x 2;. ; x k, 其中xi为第i类的编码系数矢量。Step3:假设ygAixi成立,那么测试样本的特征向量y属于第i类掌纹。 当基于所有的训练样本协同表示测试集样本时,为了降低计算的复杂 度,可以通过y将稀疏
8、表示思想中的求解11范数问题替换成求解规 那么化最小二乘的问题,公式如下:(x A )= argmin x / y-Ax / 22+ 入 x 22(17)Step4:与稀疏表示的方法相比,解式(17)所示的基于规那么化最小 二乘的问题比直接求解基于11范数的最优解问题降低很多难度,公 式如下:x A =(ATA+人 1)- lATy(18) 式中:IRnXn代表单位矩阵,令P=(ATA+入1)- 1AT,那么可以看出,P与y是相互独立的,P相当于一个投影矩阵。在对测试样本y进行识别过程中,只需要将y投影到P上,就可以直 接计算系数向量,进而得到py,这种方法可以明显降低计算复杂度, 从而缩短计
9、算时间。3. 2. 3 本文方法局部方向二值模式结合协同表示的3D掌纹识别算法流程图如图5所 示,详细步骤如下:图5本文算法流程图Fig. 5Algorithm flow chart of this paperStepl:将训练集和测试集3D掌纹感兴趣区域映射成SI图像,并且 根据曲率特征得到ST图像。Step2:将各个样本的ST和SI图像进行均匀分块,分别提取ST特征 和L0BP特征直方图。Step3:将提取的特征直方图进行级联,形成特征向量矩阵。Step4:将各个样本的特征做归一化处理,计算得到训练字典A与y。Step5:通过式(18)使用规那么最小二乘法替换成12范数。Step6:计算规
10、那么化残差e,在决策层进行结合。ei (y) = I I y- Ai x i | 12/1 | x i | | 12(19)Step7:计算测试样本的类别。4实验与分析4.1数据集及关键参数说明本文的所有实验均是在香港理工大学3D掌纹库(Hong Kong Polytechnic University 3D palmprint database)上进行的。该掌 纹数据库采集了 200名志愿者的掌纹信息,包含男性136名,女性 64名,年龄在1055岁之间。共采集到8 000张3D掌纹图像,每名 志愿者分别采集左、右两只不同手掌各10张掌纹图像,共计采集两 次,期间间隔为30天。在图像预处理以后
11、,目前每张3D掌纹图像的 R0I大小为128像素X 128像素。本实验平台的硬件规格为Windows 10 系统,中央处理器为AMD Ryzen 3 4300U,主频为2. 7 GHz,运行内 存为8 GBO4. 2分块方式实验本文在进行掌纹的特征提取过程中,对掌纹的外表类型图像进行分块 处理来提高识别率,图像被分成了假设干个大小相同的子块,但是不同 的分块方式对识别率有着不同的影响。为探究分块方式的有效性,将 分块方式作为变量进行实验。实验处理过程参照图5,将3D掌纹图 像库里第1次采集的10张掌纹图像作为训练集样本,第2次采集的 10张掌纹图像那么作为测试集样本,按照分块方式的不同,每种分
12、块 方式都重复10次,取结果的平均值作为记录结果,实验结果如表2 所示。表2分块方式实验Tab. 2Experiment of block partitioning method分 块 方 式 识 别 率/%1 X X176. 692 X X 278. 333 X X 380. 454 X X 486. 935 X X 590. 586X X693. 987X X797. 958X X899. 299X X999. 1610X X1098. 74实验结果说明,当不对图像进行分块处理,即采用1X1的分块方式 时,识别率为76. 69%;随着分块数量的不断增加,识别率呈现上升 趋势,当采用8X8的
13、分块方式时,识别率最高可到达99. 29%;而当 分块继续增加时,识别率那么呈现下降趋势,当采用10X10的分块方 式时,识别率下降到98. 74%O由此可见,当分块数量较大时,无法 精确反映3D掌纹的纹理特征,故而有碍于识别过程;而当分块数量 较小时,局部区域内包含的特征信息那么会受限,不能表征掌纹图像的 细节信息,造成识别效果不佳。因此,本文在综合考虑识别效果的情 况下,选择8义8作为最正确分块方式。4.3 特征有效性实验为验证本文提出的ST和LOBP特征的有效性,以下实验均采用分块统 计和基于协同表示的分类算法。当训练集样本个数从1增加到10时, 分别提取OBP、CBP以及LOBP作为掌
14、纹特征,图6展示了 3种特征识 别率的变化趋势,而后那么分别比拟了 ST、LOBP特征以及将ST和L0BP 结合(图中记录为Proposed)的识别率,如图7所示。图6OBP、 CBP和LOBP的识别率。Fig. 6Accuracy of OBP, CBP and LOBP, respectively.图7ST和LOBP结合的识别率Fig. 7Accuracy combination of ST and LOBP图6显示,在将OBP和CBP结合以后,掌纹的方向特征表达得更加准 确,说明本文利用LOBP描述3D掌纹方向信息的方法是有效的。LOBP 特征利用了多个方向的信息获取掌纹方向的变化趋势,
15、再通过卷积编 码可以有效提高方向特征的稳定性。图7说明,本文使用ST描述掌纹的几何特征,LOBP描述掌纹的方向 特征,两者的结合有效地提高了掌纹识别的准确性,说明两者结合具 有使用价值和现实意义,有利于识别工作的研究。4.4 掌纹识别实验为了验证方法的有效性,实验中分别选择各个类别样本数N为1, 2, 3, 4作为训练集,其余图像作为测试集。中选择每类样本数为N时, 那么在掌纹图像中随机选择训练样本,不同样本数各运行10次并计算 平均值。将本文方法与当前MCI_Comp 19、MCI_0rdinal 20、 MCI_GCI_ST 21、 SI_Comp_LTP 22、 ST_CR 12、 ST
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 局部 方向 模式 结合 协同 表示 掌纹 识别
![提示](https://www.deliwenku.com/images/bang_tan.gif)
限制150内