生物认证技术-多agent系统与智能决策研究小组.PPT

指纹采集的方法有两种： 一种是由指纹采集器件主动向手指发出探测信号，然后分析反馈信号，以形成指纹脊线和谷线的图案。 如光学采集和射频（RF）采集属于主动式采集。 另一种是指纹采集器件是被动感应的方式。当手指放置到指纹采集设备上时，因为指纹嵴和峪的物理特性或生物特性的不同，会形成不同的感应信号，然后分析感应信号的量值来形成指纹图案。 如热敏采集、半导体电容采集和半导体压感采集属于第二种。 学习报告1 Fingerprint Image Enhancement using Filtering Techniques Adaptive fingerprint binarization by frequency domain analysis Binary Fingerprint Image Thinning Using Template-Based PCNNs 学习报告2 基于奇异点的特征提取 基于结构的特征提取和匹配算法 基于曲线解析的特征提取与分类 图匹配方法 Fourier变换和楔环分类 * 这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。 * 在预处理的过程中我们采用了三次滤波操作: 灰度图象滤 波、二值图象滤波和细化后图像的滤波, 这主要是为了彻底去除图象中的噪音, 减少人工 干预, 同时也提高了系统对模糊不清、残缺不全的指纹图象的处理能力. * 设置16个跟踪方向,每次在9个方向上(因为只需考虑前进方向周围 的几个方向,见图6)跟踪纹线上的点,直到遇到背景点或者跟踪步数超过所给阈值为止. 然后以所跟踪的最长步数为半径作一圆,则纹线至少会被该圆切下一段圆弧,取与跟踪方 向最贴近的弧的中点为终点,在终点与该段跟踪的起点(图6中的两个三角顶点)之间连 一条线段,则该直线段就作为该段纹线细化后的结果.重复执行,直到该纹线结束 * 设置16个跟踪方向,每次在9个方向上(因为只需考虑前进方向周围 的几个方向,见图6)跟踪纹线上的点,直到遇到背景点或者跟踪步数超过所给阈值为止. 然后以所跟踪的最长步数为半径作一圆,则纹线至少会被该圆切下一段圆弧,取与跟踪方 向最贴近的弧的中点为终点,在终点与该段跟踪的起点(图6中的两个三角顶点)之间连 一条线段,则该直线段就作为该段纹线细化后的结果.重复执行,直到该纹线结束 * 在最复杂的情况下，B-样条可以是一些基本多项式函数的线性组合。这一方法的弱点是搜索时间 * 楔 xiē * 人脸定位：首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。 人脸识别：依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份 * 几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。 基于特征脸（PCA）的人脸识别方法 :基于图像灰度的统计特性 ,需要较多的训练样本 * 语音模板是一个以时间值为横坐标，以响度为纵坐标的波形，其处理步骤如下： 数字获取 特征选择和提取 特征结群、并入库 新的语音数据和库中数据进行模式匹配 * 说话人识别模型与方法 * 虹膜包含纹理的部分是内外两个近似圆形边界之间的部分，虹膜内侧与瞳孔相邻，外侧与眼白相邻。但是，这两个圆不是完全同心的[7],我们需要分别对内外两个边界进行处理。采用二值化的方法分离出瞳孔，提取内虹膜边界；最小二乘拟合的方法提取外圆边界 * 字迹高度、字迹宽度、弯道数量和形式（比如i和g的弯道）以及弓形（凸出的或凹入的弓形），此外还有交叉（如t的横线与竖线的交叉）以及分叉（如p的竖线与弓形的分叉）。每一笔的独特的起点和终点以及中断也属于签名识别的参数 鉴名识别 签名识别，也被称为签名力学辨识，源于每个人都有自己独特的书写风格。 按数据获取方式分以下两种 离线认证 ：扫描仪获取签名图像，静态特征，易伪造 在线认证：通过手写板采集书写人的签名样本，除了采集书写点的坐标外，有的系统还采集压力、握笔的角度等数据 ，动态特征 签名的数量特征： 字迹高度、字迹宽度、弯道数量和形式、弓形、交叉、分叉； 每一笔的独特的起点和终点以及中断也属于签名识别的参数； 整个签名时间、书写“一笔”所用的时间以及平均书写速度 虹膜识别 虹膜识别技术将虹膜的可视特征转换成一个512个字节的Iris Code（虹膜代码），这个代码模板被存储下来以便后期识别所用 准确性和稳定性最高。其处理过程如下： 虹膜定位 虹膜的内外边界 虹膜编码（用Gabor子波、小波变换等