掌纹的密码 掌纹的秘密全解 pdf( 三 )


为了消除过度拟合, Bai 等人[11]结合了分块表面类型(ST-Surface Type)特征和 PCA 进行 3D掌纹识别, 并采用分块 ST 的直方图作为掌纹特征, 降低了计算复杂度 。 此外, PCA还与其他方法 (如矩不变性)融合, 以获得高识别率 。 对于线性判别分析(LDA), 基于图像的 LDA 被提出来完成多光谱融合 。 研究人员还将后处理方法扩展到掌纹识别, 并使用两个数据库来评估后处理的 LDA方法,取得了很好的效果 。 文献[12]中提出一种基 于独立成分分析(ICA)的掌纹识别算法, 满足了高维计算需求 。 关于局部保持投影(LPP), Pan 等 人[13]基于Gabor特征(I2DLPPG)改进2DLPP 。 最后, 基于核的方法将图像表示为更高维的特征空 间 。 除 KPCA、KLPP、KFD、KDA 外, 文献[14]提出 了基于核映射的稀疏表示(KSR)算法, 稀疏编码效率提高, 同时也降低了量化误差 。
(5)机器学习和深度学习方法
传统的机器学习可以分为两类, 监督学习如卷积神经网络和非监督学习如深度置信网络 。 学习系统中的三个关键点是激活函数、损失函数和优化策略 。 在最近几年中, 由于对人工神经网络的深入理解, Zhao 等人[15]提出了掌纹识别深度学习的概述 。 Liu 等人[16]使用 CNN 进行非接触式识别 。 除此之外, 研究人员还基于 CNN 提出了一种新的预处理措施 。 深度学习的平均准确度远高于传统方法, 甚至达到 100% 。 因此, 这是一个有前景的研究方向 。
3.2 匹配
匹配的目的是找出测试掌纹图像属于哪一类 。 本文主要讨论匹配器 。 对于不同的图像数据库, 计算出的不同距离会导致同一人掌纹的不同分类结果 。 许多传统距离仍然适用, 如欧几里德距离、 汉明距离和卡方距离 。 一些新的距离, 如角距离、CW-SSIM(复小波-结构相似性)距离、峰-旁瓣比 (PSR)和余弦马氏距离被充分研究 。 多距离融合也是一个新现象 。 它通常使用多个匹配器的加权之和来计算差异 。
四、融合融合规则包括最小值、最大值、总和、平均值、SVM 和神经网络等 。 与掌纹相关的融合包括对象融合以及提取和匹配方法的融合 。 前者可分为很多类, 例如不同生物特征信息, 不同图像类型 。 另外, 融合级别也可不同, 例如像素级[17]、特征 级[18], 分数[19]和决策层[20] 。
五、进一步研究的建议首先是面向应用的问题 。 图像的旋转、平移、 模糊、失真和异构数据阻碍了掌纹识别的实际应用 。 需要在非接触方式采集图像时设计更加合适的算法 。 随着互联网的发展, 应该重视在线掌纹识别及其在手机中的使用, 这将成为网上支付或个人认证中的一种新的识别方法 。
第二个方向是深度学习 。 一般来说, 深度学习需要的训练样本太多, 泛化能力也不强 。 最近, George 等人[21]提出了一种称为递归皮层网络的概率生成模型来进行基于消息传递的推理 。 该方法统一了识别, 分割和推理, 展示出色的通用性和推理能力, 实验结果甚至优于CNN, 计算效率高出 300 倍 。 因此, 这是一个值得关注点 。
第三是融合 。 它可以用于数据采集、预处理、 特征提取和匹配, 提高识别性能, 但当前的融合应用对象未超过三个, 应考虑更多的对象, 而同时平衡总时间消耗 。 此外, 在融合中忽略的大量信息导致了识别率有限, 进一步的研究应考虑融合的鲁棒性, 以减少约束条件对识别系统的影响 。
掌纹识别的另一个关键方向是活体检测 。 尽管掌纹不会丢失, 但伪造和复制问题仍然会对识别系统产生不利影响 。 活体检测作为检测人体生命体征的方法可以防止这种破坏, 最近的研究如多光谱识别可能是一个良好的解决方案 。


以上关于本文的内容,仅作参考!温馨提示:如遇专业性较强的问题(如:疾病、健康、理财等),还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容,希望对您有所帮助: