一种改进的基于PCA和FLD的掌纹识别(2)

。

图4　各种方法正确识别率随特征向量维数改变的变化

图3　a:原始图片,b、c、d分别为经过一层、二层、三层

小波分解后的低频部分

表1中列出的是实验中各种方法在正确识别率稳定后所取

得的最佳平均识别率,并列出了各种方法训练和识别所用的时间;由表1可以看出本文提出的方法在这几种方法中识别率是最高的,可以达到97.8%,而且本文方法在提高了正确识别率的同时其训练时间与识别时间和原方法相比基本保持不变,可见本文提出的改进方法是切实可行的。

表1　正确识别率、训练和识别时间的对比方法

PCAFLDPCA&FLD

(2)对训练样本进行PCA变换,分别求出PCA特征空间的

基:Wpca=[w1,w2,…,wn],将训练样本映射到特征空间求出其

特征系数α=[a1,a2,…,an]。

(3)计算降维后的类内与类间散布矩阵:

S′W=W

T

pcaW

正确识别率

93.2%96.7%97.8%

训练时间

18.4313s22.7625s22.7625s

识别时间

0.1094s0.1950s0.2210s

SWpca,S′B=WT

pca

SBWpca

T

T

(4)通过式(8)计算:Wfld=W

|WS′W||WS′WW|

T

T

=W

|WWSWW||WWpcaSWWpcaW|

T

T

5　总　结

本文将广泛应用于识别问题的FLD方法成功地应用于掌

纹识别,通过PCA降维方法克服了FLD方法中类内散布矩阵奇异的难点,在识别阶段将在降维过程中的PCA特征和最后提取出的FLD特征融合起来进行识别,在不增加训练和识别时间的基础上,取得了更高的正确识别率,证明该方法是切实可行的。现在我们的掌纹识别系统已经初步完成,正在进一步完善中。

(5)最后得:Wopt=WfldWpca,将原数据映射到FLD特征空间

得β=[b1,b2,…,bN]=WToptX。

(6)以下为识别过程,首先读取待测样本并进行二阶小波变换降维,先将其映射到主分量特征空间得到特征系数α′=[a′LD特征空间得到特征系数:1,a′2,…,a′n],再将其映射到Fβ′=[b′1,b′2,…,b′N]。

(7)计算测试样本与训练样本FLD系数之间的距离:d

fld

β-β′=‖‖和PCA系数之间的距离:d

fld

fldfld

()fldfld

max(d)-min(d)

pca

α-α′=‖‖。

pcafldpca

(8)将dfld、d归一化得f、f:

参考文献

[1]WuXiangqian,WangKuangquan,ZhangD.Anovelapproachofpalm2

lineextraction.ImageandGraphics2004Proceedings.ThirdInterna2tionalConferenceon18220,2004:2302233.

[2]ConnieTeeJin,AndrewTeohBenq.Anautomatedpalmprintrecogni2

tionsystem;ImageandVisioncomputing,2005:5012515.

[3]BelhumeurPN,HespanhaJP,KriegmanDJ.Eigenfacesvs.Fisherfac2

es:Recognitionusingclassspecificlinearprojection.IEEETrans.Pat2ternAnal.MachineIntel,1997,19(7):7002720.

[4]DudaRO,Hart

PE,StorkDG.Patternclassification.JohnWiley&Sons,

Inc,2001.

[5]DavidMjTax,MartijnvanBreukelen,RobertPWDuin,JosefKittler.

Combiningmultipleclassifiersbyaveragingorbymulltiplying.Patternrecognition,2000,33:147521485.

ff

(8)(9)

pca

()

pcapca

max(d)-min(d)

fld

pcapca

(9)根据下式将PCA特征与FLD特征融合:

f=(f

+f

pca

)/2

(10)由最近邻法判断测试样本的类别。

4.2　实验结果

识别问题能否在实际中广泛应用,关键看识别效率,识别效率分两方面:正确识别率和训练与识别时间,在这里我们将本文的方法与参考文献[2]中的PCA、未改进的FLD方法在识别效率两个方面进行了比较,首先看一下各种方法正确识别率的比