小波变换在掌纹识别特征提取中的应用.docVIP

小波变换在掌纹识别特征提取中的应用 摘 要：在掌纹识别中，特征提取是最为关键的部分。在本文中，采用小波多尺度分析得到掌纹的高频部分，用它们的小波能量作为识别特征。实验结果表明掌纹小波能量特征存在着明显的差异性（不同手掌）和足够的稳定性（相同手掌的不同样本），因此小波能量特征可以作为掌纹识别特征。 关键词：小波；识别特征；小波能量 1 小波变换 小波变换是时间频率的局部化分析，它通过伸缩平移运算对信号逐步进行多尺度细化，自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。小波的多分辨率分析MRA从函数空间的角度来研究信号的多尺度变换。 图像经过二维小波变换，得到的小波系数可以分为两大类[1]：大尺度的小波系数：对应手掌区域中变换剧烈的边缘，其幅值随着小波分解尺度的增加而增大，反映图像的低分辨率特性；小尺度的小波系数：对应手掌区域中相对平滑的区域，其幅值随着小波分解尺度的增加而减小，反映图像的高分辨率特性。据此特点将掌纹的WEF作为掌纹识别特征[1]。 2 掌纹识别特征 图像特征是那些可作为图像标志的属性，包括自然特征（比如纹理、色彩、轮廓等）与人为特征（如均值、方差、直方图、能量等）。掌纹识别同其它生物识别技术相比，具有采样简单、用户易接受、信息丰富、不易伪造、采集设备成本低、受噪声干扰小等特点[1]-[3]。目前常用的掌纹识别特征主要有主线特征[3]、细节点特征、皱褶特征、统计特征、边缘特征、纹理特征等。由于掌纹图像中的纹理特征信息非常丰富，许多的相关研究者在掌纹识别技术的研究过程中都倾向于提取掌纹图像的纹理信息作为识别特征。 3 小波能量特征提取 文献[4]中提取掌纹图像识别特征的方法是将掌纹ROI通过Harr小波5级分解，再将各级的高频部分分成4×4个不相交的子块，计算各个子块的小波能量。然后分别构造第1至5级的小波能量作为识别特征，最后通过实验比较各级识别特征的识别率。 4 结论 对70%的实验样本图像进行小波能量特征分析（图2为来自4个手掌，每个手掌采集2个样本，也即8个手掌纹样本的WEF分布图，其中来自同一掌纹样本的WEF曲线在同一个子图上表示。）实验结果表明掌纹小波能量特征存在着明显的差异性（不同手掌）和足够的稳定性（相同手掌的不同样本），因此小波能量特征可以作为掌纹识别特征。 参考文献： [1]邬向前，张大鹏，王宽全.掌纹识别技术[M].科学出版社，2006.10：18-46 [2]Zhou Xinhong，etal.Palmprint Recognition Using Wavelet and Support Vector Machines.School of Information Science and Engineering， Shandong University， People’s Republic of China：1-3 [3]WuXianqian，Wang Kuanquan，Zhang Dapeng.An approach to line feature representation and matching for palmprintRecognition.Journal of Software，2004，15（6）：869-880 [4]邬向前，张大鹏，王宽全.掌纹识别技术[M].北京：科学出版社，2006，18-46. 作者简介：周作梅（1984-），女，侗族，贵州黎平人，助教，研究生，研究方向：模式识别。 作者单位：凯里学院，贵州凯里 556011