第25卷第1期 2008年1月 计算机应用与软件
ComputerApplicationsandSoftwareVol125No.1
Jan.2008
一种改进的基于PCA和FLD的掌纹识别
陶俊伟 姜 威 田 冲
(山东大学信息科学与工程学院 山东济南250100)
摘 要 掌纹识别是生物特征识别中的一种,由于其分辨率要求低、设备成本低、用户易接受等优点受到众多研究者的关注。同
其他生物特征识别一样也包括几何特征和数学特征识别两类方法,在数学特征中PCA、ICA、FLD等特征都可以用于掌纹识别。PCA是一种基于二阶统计的最小均方误差意义上的最优维数据压缩技术,FLD是一种较为普遍的用于特征提取的线性分类方法。将PCA和FLD结合起来进行掌纹识别,在识别阶段进一步利用了以前仅用于降维的A特征和F。实验结果证明该方法比未改进的FLD方法在识别率上得到明显的提高。关键词 掌纹识别 特征抽取 主分量分析 特征向量
ANIMINTRECOGNITIONBASEDONPCAANDFLD
TaoJunwei JiangWei TianChong
(SchoolofInformationScienceandEngineering,ShandongUniversity,Jinan250100,Shandong,China)
Abstract Palmprintrecognitionhasreceivedmanyresearchersπattentionbecauseofitslowresolutionandcheapdevices.Likeotherfeaturerecognition,palmprintrecognitionincludestworecognitionmethods,geometricfeaturesandalgebraicfeatures.PCA,ICA,FLDfeaturesbelongtothesecondclass,andtheyallcanbeusedforpalmprintrecognition.PCA(principalcomponentanalysis)istheoptimaldimensioncompres2siontechniquebasedonsecond2orderinformationinthesenseofmean2squareerror.FLDisoneofthemostpopularlinearclassificationtech2niquesforfeatureextraction.AnimprovedpalmprintrecognitionmethodbasedontraditionalPCAandFLDisproposed.Inthismethod,PCAfeaturesareusedagaininrecognitionstage.Theexperimentalresultshowsthatthenovelmethodiseffective.Keywords Palmprintrecognition Featureextraction PCA Eigenvector
0 引 言
最近生物特征识别技术的掌纹识别由于其要求的图像分辨率低,设备成本低,用户易接受的特点受到了广大研究者的关注。同其他生物特征识别一样,特征提取是掌纹识别的基础。对于掌纹图像的特征提取大致可以分为三种:一种是几何特征的提取,即掌纹线的提取[1],主要是三大主线和皱纹线(见图1)的提取,由于一般情况下在线获取的掌纹图像分辨率低,这对于掌纹线的提取是致命的;另一种能量特征的提取,这种方法一般将图像分块,利用不同幅掌纹图片对应块的能量不同来实现识别;最后一种是数学特征的提取,即对图像进行某种数学变换求得掌纹图像在另一个低维空间域的表示,在新的空间域中我们可以更好地区分不同人的掌纹。不同的特征空间往往对应不同的识别效果,因此寻找到合适的特征空间域是实现掌纹识别的关键。PCA、FLD、ICA变换均可用于代数特征的提取,但是实验证明在掌纹识别方面FLD具有最好的效果[2]。
基于PCA(主分量分析)方法与FLD(FISHER线性判别分析)方法提取出的特征是两类广泛使用的特征,它们属于我们所说的数学特征提取方法。PCA与FLD分别基于不同的准则,PCA以期提取出的特征能最好地表达或重构原模式空间。FLD是为了将样本投影到一个更容易将各类分开的低维空间
。
图1 掌纹图片
PCA方法是最小均方误差意义上的最优维数据压缩技术,
而且PCA方法所提取特征的各分量之间是不相关的。这种方
法只基于数据的二阶统计信息(即基于相应协方差矩阵)进行分析,而忽略其高阶统计信息。
FLD称为Fisher线性判别或者称为线性判别分析,也是一种较为常用的降维方法。Fisher准则函数就是为了发现这样的投影方向,在这个投影方向上同一个类的样本聚集在一起,而不同类的样本相对比较分散。但是,应用线性判别分析常常遇到的一个问题是样本类内散布矩阵通常是奇异的,这是因为训练样本往往小于每个样本所包含的像素个数。为解决此问题,本文通过主成分分析(PCA)
将高维空间的样本投影到低维空间以
收稿日期:2006-01-19。陶俊伟,硕士生,主研领域:模式识别。