《两种图像鉴别特征提取算法研究》由会员分享，可在线阅读，更多相关《两种图像鉴别特征提取算法研究（54页珍藏版）》请在金锄头文库上搜索。
1、I 摘摘 要要 生物特征识别技术，是当前生物测定学领域中最具代表性和最富有挑战性的重要研究内容。生物特征识别的研究如今进入一个新的发展高峰，各种新的技术和方法被持续不断地开发出来。其中图像鉴别特征提取算法备受研究人员关注。如何提取有效的图像鉴别特征是生物特征识别技术研究的热点。本文提出两种图像鉴别特征提取算法研究，主要工作如下： (1) 对图像鉴别特征提取算法进行了概括总结。其中对非线性鉴别特征提取算法和频域分析下的鉴别特征提取算法进行深入分析，重点研究了这两种鉴别特征提取算法的性质。 (2) 重点研究频域分析下的非采样 Contourlet 小波变换。非采样 Contourlet 小波变换具
2、有多尺度，时移不变性以及多方向性等优点，对图像的边缘和轮廓有很好的逼近表示。将非采样 Contourlet 小波变换和非线性鉴别特征提取技术相结合，提出基于非采样Contourlet 小波变换的非线性鉴别分析， 即基于非采样 Contourlet 小波的掌纹图像非线性鉴别特征提取算法，该算法有效的提取图像鉴别特征。 (3) 分析研究了张量鉴别分析，在掌纹数据库、AR 人脸图像数据库和 FERET 人脸图像数据库上进行了张量鉴别特征提取算法实验。 关键词关键词: 生物特征识别；图像鉴别特征；非线性鉴别特征提取；非采样 Contourlet 小波变换；张量鉴别分析 II ABSTRACT Biom
3、etic Recognition Technique is the most representative and challenging research in the current biometric fields. Biometrics researches have reached a new development peak in which all kinds of new technology and methods are developed. Nowadays, image discriminant feature extraction algorithm has been
4、 focused on by many researchers. How to extract the image discriminant feature effectively becomes a research hotspot. Two kinds of image discriminant feature extraction methods are researched in this paper. More specifically, our contributions are as follows: (1) The image discriminant feature extr
5、action methods are summarized. The nonlinear discriminant feature extraction algorithms and the discriminant feature extraction algorithms based on the frequency domain analysis are studied explicitly. Especially the nature of the two kinds of discriminant feature extraction algorithms is analyzed.
6、Combing the two technologies, the improved feature extraction algorithms are proposed. (2) The application of the non- subsampled contourlet transform (NSCT) is studied in this paper. The nonsubsampled contourlet transform has characteristics of good multiresolution, shift- invariance and high direc
7、tionality. It can give an asymptotic optimal representation of edges and contours in image. A nonlinear discriminant analysis based on the non- subsampled contourlet transform (NSCT) for palm recognition is proposed. (3) The tensor discriminant analysis is also analyzed and studied in this paper. In
8、 this paper, the tensor discriminant analysis was conducted on the palm database、AR face database and FERET face database. Key words：Biometric Recognition; Image Discriminant Feature; Nonlinear Discriminant Analysis; the Non- subsampled Contourlet Transform; Tensor Discriminant Analysis 南京邮电大学学位论文原创
9、性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包 含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的 任何贡献均已在论文中作了明确的说明并表示了谢意。 南京邮电大学学位论文使用授权声明 南京邮电大学、中国科学技术信息研究所、国家图书馆有权保留本人所送 交学位论文的复印件和电子文档，可以采用影印、缩印或其它复制手段保存论 文。本文电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，
10、可以公布（包括刊登）论文的全部或部分内容。 论文的公布（包括刊登）授权南京邮电大学研究生部办理。 研究生签名：_ 日期：_ 研究生签名：_ 导师签名：_ 日期：_ 南京邮电大学硕士研究生学位论文 第一章 绪论 1 第一章第一章 绪论绪论 随着现代科学技术和和计算机网络的发展，人们对快速高效的身份验证的要求日益迫切，信息安全显示出前所未有的重要性。如何准确地鉴定一个人的身份，保护用户信息安全，是信息化时代亟待解决的一个关键问题。在各种模式识别技术中，生物特征识别是使用的最多的技术之一。生物特征识别具有很强的自身稳定性和个体差异性，我们能根据以往获取的某个人的脸部信息、声音信息、姿态甚至背影信息辨
11、认出这个人1。因此生物特征是身份验证的最理想依据。现在，全球反恐任务就包含着这方面的需求，常见的需求是要求计算机根据虹膜、视网膜、指纹、人脸、语音、步态、掌纹等信息自动识别人的身份，也有需求要求系统能识别人的表情，甚至有需求要求识别人是否撒谎等等。目前，生物特征识别领域是目前模式识别研究中最有活力，也是最有重要应用前景的领域之一。 生物特征识别技术具有广泛的应用范围： (1) 考勤系统，用来记录和监控公司职员的作息和出勤情况； (2) 公共安全方面的应用，如门禁系统； (3) 刑侦破案，如使用掌纹作为侦破案件的证据； (4) 银行系统及信用卡方面的应用； (5) 户籍、社会福利、身份证管理方面
12、的应用； (6) 对机密信息的存取控制，包括计算机网络中的信息访问控制等。 生物特征识别技术作为一种具有发展潜力的身份识别方法，并逐渐成为模式识别技术中的一个研究热点，正吸引越来越多的研究人员进入该领域对其研究。生物特征识别技术的深入研究不仅可以解决其本身的缺陷和不足，促进其更为广泛的应用，而且可以促进相关学科的发展，为其它类似课题的研究提供有意义的启示。 1.1 生物特征识别技术概述生物特征识别技术概述 基于人体自身固有生物信息的识别就称为生物特征识别。生物特征识别技术是利用人的生理特征或行为特征进行身份识别的技术。其中，生理特征多为先天性，与生俱来可以直接测量到的，如指纹、人脸、掌纹、虹膜
13、、视网膜、耳廓、DNA 等；行为特征则是后天形成的个人习惯性动作的度量，如签名、步态、按键力度等。生理特征和行为特征是人为划分，二者之间没有绝对的的界限。而且，这些特征都具有以下特点：普遍性，表现在每个人都具有这种特征；惟一性，表现在不同的人具有不同的特征；可采集性，表现在所选南京邮电大学硕士研究生学位论文 第一章 绪论 2 择的特征可以定量测定；稳定性，表现在所选择的特征不随条件变化、环境变化而变化，而且至少在一段较长时间里保持固定不变的。 与传统的身份识别技术如身份标识知识（如用户名、密码等）和身份标识物品（如钥匙、证件、ATM 卡等）的应用相比，生物特征识别技术具有不易仿造与丢失，可随身
14、携带以及可靠性高等优点，为用户提供极大的便利以及更为安全和个性化的服务。因此，生物特征识别技术自产生之日起便受到了业界的广泛关注，人体的指纹、虹膜、人脸等特征成为最早的生物特征识别技术研究的对象。目前己有部分相对成熟的产品在电子门禁控制、计算机终端进入控制，以及银行、海关、机场、医疗等场合的出入控制及公共安全中投入使用。 生物特征识别技术涉及到模式识别、计算机图形学、图像处理、计算机视觉以及人机交互等多个信息技术领域，这些相关领域的发展又为生物特征识别技术的进步创造了条件。生物特征识别的产品均借助现代计算机技术实现，容易同安全、监控和管理系统进行整合，实现自动化管理。随着互联网和无线通信技术的
15、发展，生物特征识别技术已经被广泛应用至各种最前沿的消费产品中。同自动控制和信息技术相似，生物特征识别技术的应用领域遍布关乎国计民生的各行各业中。生物特征识别技术的趋势将逐步取代传统身份识别技术，正如比尔盖茨预言： “以人类生物特征进行身份验证的生物识别技术，在今后数年内将成为 IT 产业最为重要的技术革命。 ” 1.2 生物特征识别系统概述生物特征识别系统概述 一般的生物特征识别系统通常包括三个主要模块： 数据获取、 特征提取和分类器设计。数据获取阶段利用各种传感器将物理输入转变为数字信号数据，并通过滤波等操作对原始数据进行去噪、归一化等预处理。特征提取阶段根据问题的具体特点，选择和提取更具判别能力的特征。最后，根据所提取的特征训练一个最优分类器对样本进行分类。 生物特征识别系统的结构最早由美国国家生物统计测试中心的主任 James Wayman54提出，他将系统分为数据采集、传输、信号处理、存储与决策总共 5 个部分，其系统结构示意图如图 1.1 所示。 南京邮电大学硕士研究生学位论文 第一章 绪论 3 图 1.1 生物特征识别系统结构示意图 生物特征识别系统结构中的主要模块的功能如下阐述： l 数据获取模块。该模块负责采集生物特征信息，它包括两个部分：数据采集和预处理。 l 特
