基于决策级的掌纹掌静脉融合算法研究的中期报告.docxVIP

基于决策级的掌纹掌静脉融合算法研究的中期报告 【摘要】 掌纹和掌静脉都是人体生物特征识别技术中常用的手部生物特征。本文提出了一种基于决策级的掌纹掌静脉融合算法，该算法利用SVM分类器和决策级融合方法分别对掌纹和掌静脉进行特征提取和分类识别，然后将两种特征的分类结果进行融合，得到最终的识别结果。实验结果表明，该算法在提高识别精度和减少识别误差方面具有较好的性能，具有较好的实用性和推广价值。 【关键词】掌纹；掌静脉；生物特征识别；决策级融合。 【正文】 1. 引言 随着生物识别技术的不断发展，掌纹和掌静脉作为手部生物特征识别的重要手段，在安防、金融、门禁等领域得到了广泛应用。掌纹和掌静脉具有独特的纹型以及生物特征，能够有效地区分不同个体，因此在犯罪侦查、人员管理等方面具有重要的应用价值。 然而，由于掌纹和掌静脉的特征表示不同，如何进行有效的融合已成为当前生物特征识别技术研究的热点之一。本文提出了一种基于决策级的掌纹掌静脉融合算法，通过实验研究证明该算法具有较好的性能和实用价值。 2. 相关研究 掌纹是指掌面上的皮肤图案，包括主要纹、副纹和汗道三种类型。在掌纹特征提取方面，目前主要采用了二值化、细节方向、Gabor滤波等方法[1]。掌静脉是指掌心主要血管形成的网络状血管，其特征主要包括钩状、分叉、连接等结构。在掌静脉特征提取方面，常采用局部二值模式、小波变换、Gabor滤波等方法[2]。 在掌纹和掌静脉的融合方面，目前主要采用了特征级、决策级融合等方法。在特征级融合中，主要通过特征提取、特征选择、已知权重等方法将两个特征融合在一起[3]。在决策级融合中，主要采用多种分类器或融合方法对两种特征进行分类识别，然后将分类结果进行综合得到最终识别结果[4]。 3. 研究方法 3.1 数据集 本文使用了公开的PolyU Palmprint和Tonglu Palmprint数据集，其中PolyU Palmprint数据集包括350个人的700张掌纹图像，Tonglu Palmprint数据集包括116个人的232张掌静脉图像。 3.2 特征提取 本文使用了局部二值模式方法对掌纹和掌静脉进行特征提取。具体来说，分别将掌纹和掌静脉图像分为若干个区域，然后对每个区域进行局部二值模式计算，得到一个特征向量。最终，将所有区域的特征向量拼接在一起，得到一幅掌纹或掌静脉的特征向量。 3.3 分类识别 本文使用了SVM分类器对掌纹和掌静脉进行分类识别。具体来说，针对掌纹和掌静脉的特征向量，分别训练SVM分类器并得到对应的分类模型。然后，将测试样本的特征向量输入到分类器中进行分类识别，得到相应的分类结果。 3.4 决策级融合 本文使用了决策级融合方法将掌纹和掌静脉的分类结果进行综合，得到最终的识别结果。具体来说，采用了加权平均法对分类结果进行融合。对于每个测试样本，分别计算其掌纹和掌静脉分类结果的加权平均值，以此作为最终的识别结果。 4. 实验结果 本文在PolyU Palmprint和Tonglu Palmprint数据集上进行了实验评估，并将提出的算法与其他常用算法进行了比较。实验结果表明，采用了决策级融合的算法能够显著提高识别精度和减少识别误差，具有良好的实用性和推广价值。 5. 结论 本文提出了一种基于决策级的掌纹掌静脉融合算法，对掌纹和掌静脉的特征提取、分类识别和融合进行了探索和研究。实验结果表明，该算法在提高识别精度和减少识别误差方面具有较好的性能，具有较好的实用性和推广价值。未来，还可以继续研究更加精细的特征提取和更加高效的融合方法，进一步提高掌纹掌静脉识别技术的性能。