基于復(fù)雜網(wǎng)絡(luò)與多小波的掌紋識(shí)別方法.pdf

1、當(dāng)前生物識(shí)別技術(shù)在信息安全問(wèn)題中受到越來(lái)越多的關(guān)注。相比其它生物特征，掌紋識(shí)別技術(shù)具有采樣簡(jiǎn)單、容易被用戶接受、不需要高精度儀器采樣與識(shí)別等優(yōu)點(diǎn)。在以往的掌紋識(shí)別技術(shù)中，通常使用掌紋圖像全部的信息，事實(shí)上，決定掌紋身份信息的主要因素是其中的紋線與皺褶特征，通過(guò)識(shí)別掌紋紋線與皺褶就可以達(dá)到掌紋識(shí)別的目的。
　　在提取紋線與皺褶特征時(shí)噪聲會(huì)嚴(yán)重影響生成圖像的質(zhì)量，CL多小波因其優(yōu)良的性質(zhì)不但可以很好地濾除高頻噪聲，并且還能夠提取出不同

2、方向的紋線與皺褶特征，因此本文采用CL多小波結(jié)合均值窗口法將掌紋圖像轉(zhuǎn)化為二值紋線圖像完成掌紋特征的初步提取。鑒于復(fù)雜網(wǎng)絡(luò)可以很好地描述圖像的拓?fù)浣Y(jié)構(gòu)，進(jìn)一步將二值紋線圖像通過(guò)選擇不同的閾值形成一系列動(dòng)態(tài)演變的網(wǎng)絡(luò)，通過(guò)對(duì)網(wǎng)絡(luò)的描述實(shí)現(xiàn)對(duì)紋線結(jié)構(gòu)的描述，提出基于多小波與復(fù)雜網(wǎng)絡(luò)的掌紋識(shí)別。主要研究工作如下:
　　1)提出基于CL多小波與均值窗口法的初級(jí)掌紋圖像特征提取方法。在CL多小波分解圖像中，有用信息主要包含在低頻分量對(duì)應(yīng)預(yù)濾

3、波生成的低頻、水平、垂直分量的子圖LL1、LL2與LL3中，使用均值窗口法提取圖像低頻分量的局部紋路信息可以在最大程度上保留掌紋紋路信息，完成掌紋特征的初步提取。
　　2)介紹復(fù)雜網(wǎng)絡(luò)的基本概念，選取描述網(wǎng)絡(luò)時(shí)使用的度量。
　　3)提出基于CL多小波與復(fù)雜網(wǎng)絡(luò)的掌紋識(shí)別方法。使用CL多小波與均值窗口法生成二值紋線圖像，然后將二值子圖BLL1、BLL2與BLL3拼接起來(lái)完成初級(jí)特征的提取;根據(jù)二值紋線圖像以不同閾值生成一系列網(wǎng)

4、絡(luò)，計(jì)算網(wǎng)絡(luò)的平均度、最大度、度的標(biāo)準(zhǔn)差與度的平均能量作為掌紋的次級(jí)特征;再將次級(jí)特征通過(guò)LDA(LinearDiscriminant Analysis)降維得到最終特征;最后使用最近鄰(NN，Nearest Neighbor)分類(lèi)器進(jìn)行分類(lèi)。
　　4)提出一種改進(jìn)的基于復(fù)雜網(wǎng)絡(luò)局部?jī)?yōu)化的多小波特征提取方法。在3）的方法中總體使用了三個(gè)分量信息進(jìn)行了網(wǎng)絡(luò)建模，同時(shí)包含了它們的自身結(jié)構(gòu)信息與相對(duì)位置信息。但子圖BLL1更多地反應(yīng)了掌

5、紋紋線與皺褶信息，而3）中方法并不能突出這一特點(diǎn)，因此在提取拼接圖像信息的基礎(chǔ)上，本方法進(jìn)一步提取子圖BLL1的掌紋全局信息與子圖BLL1的四分圖像的局部信息。通過(guò)分析與實(shí)驗(yàn)確定了采用平均度和標(biāo)準(zhǔn)差作為網(wǎng)絡(luò)度量，結(jié)果表明改進(jìn)方法降低了28％的特征維數(shù)并顯著的提高了識(shí)別效果。
　　本文采用CASIA(Institute of Automation of，Chinese Academy of Sciences)庫(kù)進(jìn)行實(shí)驗(yàn)，通過(guò)與傳統(tǒng)方