一种改进的基于PCA和FLD的掌纹识别

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。

第1期　　　

陶俊伟等:一种改进的基于PCA和FLD的掌纹识别　205

保证样本类内散布矩阵是非奇异的。

3　本文方案

1　PCA方法

模式识别过程一般分为训练阶段和识别阶段,在训练阶段

主分量分析又称为KL变换,其关键是要求出各变换轴(即主分量)。设变量x有N个样本xk∈R

N

N

n×1

(k=1,2,…,N),其均

和识别阶段特征的提取都很重要。在特征提取阶段本文像人脸

识别中已经被成功应用的FLD识别方法一样首先将人脸图像经过PCA变换降维,然后通过FLD分析,将降维后的数据映射到fisher特征脸空间。

识别过程中分类器也有多种选择,本文选用了距离分类器中的最近邻分类器:距离分类器依据测试样本和训练样本间“距离”的大小进行分类,其中最近邻分类器是应用较广泛的一种距离分类器2倍贝,。它计算待测样本,。

FLD方法中,只利用了最后得到的特征空间的系数,PCA在整个过程中只起到降维使类内散布矩阵满秩的作用,为了更加有效地识别,本文在特征提取时利用了PCA和FLD技术提取特征,在识别阶段不但利用了最终的FLD特征,还利用了中间过程提取的PCA特征,将二者分别与上述分类器结合,然后将二者融合进行掌纹识别。剩下的问题是如何将PCA特征与FLD特征融合。将PCA特征和FLD特征融合起来的方法很多,比较简单的可以是加法(或求平均)和乘法,文献[5]从理论上分析了这两种方法的使用场合,本文通过试验选用加法。首先求出测试样本与训练样本的FLD特征的距离

d和PCA特征的距离d,由于d和d的取值范围不一样,

pca

所以首先需要将二者归一化为ffld、f,然后将二者融合得f=fld

pca

fld

pca

值矢量记为u,则协方差矩阵可表示为:

C=

k=1

∑(x

k

Tn×n

-u)(xk-u)∈R

n×N

令Z=[x1-u,x2-u,…,xN-u]∈R

C=

,则有:

(1)

N

ZZ

T

令矩阵Wpca=[w1,w2,…,wn],其中w1,w2,…,wn为C的特征向量。则使用矩阵Wpca对样本矢量进行的变换,就称为KL变换,其中w1,w2,…,wn称为KL变换轴的维数为r维,则选用前rw2,…,wrr方误差最小者,其中X:

X=Wpcarxpcar[w1,w2,…,wr]

T

(2)

因此,PCA方法是一种最优维数压缩技术。可以证明,上述变换得出的数据中各分量之间是互不相关的,因此,也称PCA方法是一种去相关变换方法。

2　Fisherpalmsextraction

假设有N幅掌纹图片{x1,x2,…,xN},这些掌纹来自于C个人的掌纹{X1,X2,…,XC},其中取自掌纹Xi的图片数为Ni,FLD的目的是找到一个能使Fisher准则最大化的Wopt,Fisher准则形式[3]如(3)式:

J(W)(f

fld

+f

pca

)/2,式中f

fld

pca

、f见式(8)与(9),最后根据f的大小

由最近邻法进行判断。

|WSBW||WSWW|

TT

(3)

4　仿真实验

4.1　实验步骤

本实验用的PC机配置为奔三1.0GHz的CPU、256M的内存,软件环境为XP操作系统、MATLAB7.01,采取的掌纹图片为

来自香港PolytechnicUniversity的PolyUPalmprintDatabase,该掌纹库里共有100个人的600幅掌纹图 …… 此处隐藏：3749字，全部文档内容请下载后查看。喜欢就下载吧 ……