导读:本文包含了掌纹识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:掌纹,特征,卷积,神经网络,生物,感兴趣,区域。
掌纹识别论文文献综述
陈杰,张雷,张睿,解丹,闫耀东[1]（2019）在《基于卷积神经网络的掌纹识别》一文中研究指出随着社会的发展,身份信息的安全问题日益凸显。为解决用户身份识别过程中受环境影响较大,以及掌纹识别时提取掌纹特征复杂的问题,本文进行了"基于卷积神经网络(CNN)的掌纹识别"的研究。运用该算法的优势在于简化了掌纹识别的前期预处理,可以直接将采集的原始图像进行输入,然后识别。通过卷积操作和最大池化操作,减少了训练参数量,大大节约了时间。最后使用Softmax分类器对结果进行分类。实验结果显示,该方法对不同人的掌纹有较高的识别率,克服了传统掌纹识别精度差,识别时间长,人工提取特征困难的缺点。(本文来源于《软件工程》期刊2019年10期）
王海纶,李书杰,贾伟,刘晓平[2]（2019）在《卷积神经网络在掌纹识别中的性能评估》一文中研究指出目的掌纹识别技术作为一种新兴的生物特征识别技术越来越受到广泛重视。深度学习是近10年来人工智能领域取得的重要突破。但是,基于深度学习的掌纹识别相关研究还比较初步,尤其缺乏深入的分析和讨论,且已有的工作使用的都是比较简单的神经网络模型。为此,本文使用多种卷积神经网络对掌纹识别进行性能评估。方法选取比较典型的8种卷积神经网络模型,在5个掌纹数据库上针对不同网络模型、学习率、网络层数、训练数据量等进行性能评估,展开实验,并与经典的传统掌纹识别方法进行比较。结果在不同卷积神经网络识别性能评估方面,Res Net和Dense Net超越了其他网络,并在Poly U M_B库上实现了100%的识别率。针对不同学习率、网络层数、训练数据量的实验发现,5×10~(-5)为比较合适的识别率;网络层数并非越深越好,VGG-16与VGG-19的识别率相当,Res Net层数由18层逐渐增加到50层,识别率则逐渐降低;参与网络训练的数据量总体来说越多越好。对比传统的非深度学习方法,卷积神经网络在识别效果方面还存在一定差距。结论实验结果表明,对于掌纹识别,卷积神经网络也能获得较好的识别效果,但由于训练数据量不充分等原因,与传统算法的识别性能还有差距。基于卷积神经网络的掌纹识别研究还需要进一步深入开展。(本文来源于《中国图象图形学报》期刊2019年08期）
陈晓蔓,贾伟,李书杰,刘晓平[3]（2019）在《融合全局和局部方向特征的掌纹识别方法》一文中研究指出掌纹识别是受到较多关注的生物特征识别技术之一。在各类掌纹识别的方法中,基于方向特征的方法取得了很好的效果。为了进一步提升识别精度,提出一种融合全局和局部方向特征的掌纹识别算法,主要融合了基于方向编码的方法、基于方向特征局部描述子的方法和结合方向特征和相关滤波器的方法。其中前2种方法属于空间域方法,可很好地提取掌纹的局部方向特征;而第3种方法属于频域方法,能有效地提取全局方向特征。在匹配值层对该3种方法的识别结果进行融合。本文算法在2个掌纹数据库上进行了验证,实验结果表明,本文方法的识别性能明显优于其他几种掌纹识别方法。(本文来源于《图学学报》期刊2019年04期）
钟德星,朱劲松,杜学峰[4]（2019）在《掌纹识别研究进展综述》一文中研究指出掌纹图像蕴含丰富特征,容易与手背静脉、指节纹及手形特征进行多模态融合,因此成为生物特征识别领域的热点.文中主要从掌纹的采集、感兴趣区域的检测、特征提取与匹配3方面介绍掌纹识别的基本流程.探讨基于不同特征融合的多模态识别策略.根据特征提取方法的不同,掌纹识别算法可分为基于手工设计的算法(如编码特征、结构特征、统计特征、子空间特征)和基于特征学习的算法(如机器学习和深度学习),文中对上述算法进行详细对比和分析.最后讨论未来掌纹识别面临的挑战和发展,特别是复杂场景下跨平台的掌纹识别系统.(本文来源于《模式识别与人工智能》期刊2019年05期）
江晓龙[5]（2019）在《掌纹和掌静脉融合识别算法及系统实现》一文中研究指出随着信息技术的快速发展,人们对个人信息的保护意识越来越强。传统身份认证技术如磁卡,密码等安全性较差,而生物特征认证技术具有高安全性、便捷性等特点,逐渐被人们认可,并且在社会各个领域得到广泛应用。其中,手部生物特征识别是当前的研究热点,主要包括指静脉、指纹、掌静脉和掌纹识别等。近年来,为了解决单一手部特征结构简单,识别率不高的缺陷,学者们提出了手部多特征融合识别技术,其中掌静脉和掌纹融合识别是当前的研究热点。现有的掌静脉和掌纹融合识别技术一般基于两幅独立的图像,采集装置复杂,且难以保障二者的区域一致性。实际上单幅近红外手掌图像中不仅包含掌静脉结构,也包含微弱的掌纹结构信息,可用于融合识别。本文主要研究单幅近红外手掌图像中的掌静脉和掌纹融合识别方法,主要包括以下方面:基于掌静脉纹理结构特点,提出了一种基于边缘检测加权引导滤波的掌静脉结构增强算法。主要思路如下:首先,对近红外手掌图像进行两次自引导滤波处理,第一次使用较小的滤波半径保持图像中的掌静脉结构信息,第二次使用较大的半径来去除图像中的掌静脉结构信息;其次,设计一种线性增强模型对掌静脉结构进行增强;最后,重复上述步骤即可得到增强后的掌静脉结构图像。该算法在增强掌静脉结构的同时,对图像中的静脉边缘和平滑区域的进行了自适应处理,从而更好地保护掌静脉的边缘结构信息。实验结果表明,所提出的算法能够有效的提取掌静脉结构信息,掌静脉结构单一识别率达到了99.28%。基于掌纹结构的特点,提出了一种基于分块模型的模糊反锐化掩模掌纹增强算法。主要思路如下:首先,使用分块模型算法去除近红外图像中的掌静脉结构信息;其次,使用隶属度函数对去除静脉结构信息后的图像进行模糊化;再次,将模糊理论和反锐化掩膜算法结合,获取增强后的掌纹矩阵,对增强后的掌纹矩阵归一化到[0,255],即为增强后的掌纹结构。实验结果表明,所提出的算法能够有效的提取掌纹结构信息,掌纹结构单一识别率达到了95.68%。基于以上掌静脉和掌纹增强算法,设计并实现了一种掌静脉掌纹融合识别系统。主要包括手掌录入、手掌图像认证,密码认证等功能。(本文来源于《安徽大学》期刊2019-05-01）
陈晓蔓[6]（2019）在《融合多种方向特征的掌纹识别算法研究》一文中研究指出随着数字化社会的发展,信息安全问题受到了广泛的关注,越来越多的场合需要简单高效地进行身份识别,保护人们的公共安全及隐私安全。生物特征识别技术作为一种有效的身份识别方案,已经成为政府部门、商业领域和日常生活中一项必不可少的重要技术。掌纹识别技术是近十年发展起来的新兴生物特征识别技术,相较于受到广泛关注的人脸、虹膜和指纹识别技术,掌纹识别技术具有特征丰富、易采集、采集设备价格低廉和易被用户接受等优势。随着掌纹识别技术的发展,如何发挥掌纹的优势,构建鲁棒的掌纹识别系统,是目前掌纹识别研究中亟待解决的问题。基于多信息融合的掌纹识别方法是一种鲁棒的掌纹识别方案,能够有效地解决当前掌纹识别中存在的安全性低的问题,成为掌纹识别技术的突破口。在众多掌纹识别方法中,基于方向特征的方法对光照和旋转鲁棒,取得了优秀的识别效果。针对掌纹中存在的丰富的线方向特征,本文对基于方向特征的方法进行了深入的研究,主要工作如下:(1)评估五种线形滤波器提取掌纹方向特征的性能。在基于方向特征的掌纹识别算法中,常用于提取方向特征的滤波器有Gabor滤波器和改进的有限Radon变换滤波器,除此之外,Log Gabor滤波器、高斯滤波器及方向可调滤波器同样能够用于提取掌纹的方向特征。本文以局部线方向模式为基础,系统性地对五种滤波器提取掌纹方向特征的性能进行评估。(2)研究基于方向特征描述子的掌纹识别算法。提出局部线方向特征融合模式的掌纹识别方法:首先,采用12个方向的Gabor滤波器与掌纹图像卷积;其次,将相邻方向的卷积值加权融合,得到11组组合值;最后根据组合值的大小,选取相关的四个卷积结果,将其中的最大值和最小值对应的方向下标用于局部线方向特征融合编码。实验结果表明,局部线方向特征融合算法能够有效的区分异类掌纹间的差异,提升掌纹识别系统的精度。(3)研究多特征融合的掌纹识别方法。提出多方向特征融合表示:首先,采用分块的带限相关方向表示算法提取掌纹的全局特征表示和局部特征表示;其次,采用局部线方向模式(或局部线方向特征融合模式)算法和竞争编码(或稀疏多尺度竞争编码)算法提取掌纹的局部特征表示;最后,对叁种特征提取方法分别进行验证,并对其匹配分数进行融合,形成多方向特征融合表示算法。实验结果表明,与已有的掌纹识别算法相比,多方向特征融合表示具有更好的识别性能。(本文来源于《合肥工业大学》期刊2019-04-01）
肖倩文[7]（2019）在《基于局部不变特征的掌纹识别方法研究》一文中研究指出掌纹识别作为一种新的生物特征识别技术,近十年来受到学术界和产业界的广泛关注。传统接触式掌纹图像采集设备在单一背景和专业人员指导下采集用户掌纹,虽然能保证采集到高质量的掌纹图像,但是用户需要接触采集设备,在安全性、卫生性和用户友好度方面有待提高。同时,非接触式掌纹识别高效且具有用户友好性,但是非接触式采集设备的低约束性容易导致掌纹图像发生形变。另外,对采集后的手掌图像,主流的掌纹感兴趣区域(Region of Interest,ROI)提取算法能有效提取ROI,但是仍有一定局限性。本课题针对手掌图像ROI提取中预设参数过多的问题和掌纹图像中的形变问题,提出基于局部不变特征的掌纹识别方法,提高了掌纹识别系统的精度。主要工作如下:1)介绍了基于局部不变特征的掌纹识别框架并对相关文献进行了综述,分析其在特征检测、特征描述和特征匹配叁个步骤中的特点和性能。2)针对掌纹图像感兴趣区域提取中预设参数过多的问题,提出了一种有效的基于直线簇的全手掌掌纹ROI提取算法。首先,对全手掌图像预处理得到二值化图像;接着,根据预设规则在二值化图像中画直线簇,得到关键点的若干候选点;然后,借助K-Means聚类算法计算四个聚类中心,即四个指缝关键点;最后,基于关键点建立坐标系,再对手掌图像旋转归一化并提取ROI。在采集的16000张全手掌图像数据库上,获得了100%的定位和提取正确率,表明了所提方法的有效性。3)针对非接触掌纹图像的形变问题,研究了基于SIFTGPU和向量场一致性算法的掌纹识别算法。首先,使用圆形Gabor滤波器增强掌纹图像;然后,利用对图像缩放、旋转甚至仿射变换保持不变性的尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)进行掌纹图像特征提取与匹配,并采用GPU对其加速;最后,采用基于向量场一致性(Vector Field Consensus,VFC)方法保留更多的正确匹配点对。在公开掌纹库上的实验结果表明本文方法可以有效提升非接触式掌纹图像的识别精度和速度。(本文来源于《合肥工业大学》期刊2019-04-01）
王海纶[8]（2019）在《卷积神经网络在掌纹和掌静脉识别中的性能评估》一文中研究指出网络信息时代人们的安全意识不断提升,对于身份鉴定的要求随之提高,在各类身份鉴定技术中生物特征识别是最有效的方法之一。其中掌纹、掌静脉识别凭借自身稳定、难伪造的优势,逐渐受到研究人员的关注。深度学习近年来不断发展进步,在各个领域应用广泛,尤其在模式识别领域中,深度学习已经成为最重要的技术之一。在此背景下,将深度学习方法应用于掌纹、掌静脉识别中,也是目前的一种趋势。然而现有的基于深度学习的掌纹、掌静脉识别研究工作相对较少,且存在训练数据配置等的缺陷。本文针对上述问题,使用深度学习中的卷积神经网络对掌纹和掌静脉识别作了大规模的评估。本文的主要工作如下:(1)详细介绍并分析了当前卷积神经网络中比较典型的网络模型。首先介绍了神经网络的基本知识,之后对典型模型的网络结构、网络间关系等作了阐述。(2)使用深度学习中的卷积神经网络对掌纹、掌静脉识别进行了大规模的评估实验。选取9种网络模型,在5个掌纹数据库、2个掌静脉数据库上针对不同的网络结构、学习率、网络层数、训练数据量进行评估,此外还有混合第二阶段采集数据以及与非深度学习方法的对比评估。(3)在预处理中加入图像增强操作并设计了SPP-ResNet,以及改进现有的掌纹验证方法Siamese Network并应用于掌纹、掌静脉验证中。使用对比度受限的自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)增强图像,改善数据库的图像质量,并针对卷积神经网络的输入需要固定尺寸这一问题,结合空间金字塔池化设计了SPP-ResNet。对于现有的Siamese Network掌纹验证方法,在特征提取、网络训练等方面进行了改进。实验结果表明,本文针对掌纹、掌静脉识别的大规模评估实验能够加快相关研究的速度,并提供一定的指导。基于CLAHE的SPP-ResNet能够接收各种尺度的输入,并且提升了识别率。改进的Siamese Network验证方法也取得了较好的效果。(本文来源于《合肥工业大学》期刊2019-04-01）
周威,刘辉,曾伟高[9]（2019）在《基于顶帽变换的指节纹和掌纹识别改进算法》一文中研究指出针对指节纹、掌纹不易提取,且易受光照和手掌颜色不均影响的问题,提出了基于顶帽变换的指节纹、掌纹识别改进算法。顶帽变换能消除光照不均的影响,很好地提取手掌主纹线。对采集的手掌图像进行灰度化和顶帽变换后,进行二值化处理,分离出手掌区域,找到手掌区域所在位置,用Sobel边缘检测器分离出手掌边界,确定指尖指谷坐标,再对手掌区域进行分割,找到指节纹和掌纹大体区域,用互相关法进行掌纹和指节纹匹配。实验结果表明:提出的方法能够消除光照不均和手掌颜色不均的影响,且速度快,抗噪能力强,适合大规模手掌库实现粗筛选。(本文来源于《传感器与微系统》期刊2019年03期）
孙一嘉[10]（2019）在《基于SOPC的掌形及掌纹识别系统》一文中研究指出本论文在FPGA上实现一套掌形与掌纹的识别系统。通过CCD采集到手掌图像,进行图像预处理,得到掌形的边缘轮廓。通过像素图像边缘检测中最重要Sobel算子,将手掌的轮廓显示出来。在本系统中提出一种手掌图像ROI区域选取算法,即定义食指至中指之间的谷点、中指至无名指之间的谷点及腕点、腕心,对其进行精确定位,确定手掌ROI区域,完成图像预处理过程。提出一套基于形态学的特征结构算法,利用Sobel算子和形态学算子结合,通过增加锐化、膨胀、腐蚀、直方图均衡化、中值滤波等过程,进一步提高ROI区域内纹线的对比度,突显更多细节信息产生出现的纹理特征值,作为ROI区域的掌纹特征。使用SIFT算法,利用它具有尺度不变特性,在图像中检测出关键点,进行图像特征匹配。在识别系统中,为了能够快速比对特征码,采用HD可以快速的比对大批的特征码,可以快速的实现不同掌形与掌纹的识别。最后,将整个掌形与掌纹的识别的算法移植基于FPGA的嵌入式系统上。在FPGA系统上架构出两个核心处理器,一个用于图像预处理,执行掌形轮廓提取及分割出ROI区域的运算,另一个用于完成掌纹特征提取及识别的运算,SRAM与FLASH是作为处理器的外部存储器,用于存放掌形及掌纹的特征值,在FPGA上实现一套掌形与掌纹的识别系统。(本文来源于《长春理工大学》期刊2019-03-01）
掌纹识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的掌纹识别技术作为一种新兴的生物特征识别技术越来越受到广泛重视。深度学习是近10年来人工智能领域取得的重要突破。但是,基于深度学习的掌纹识别相关研究还比较初步,尤其缺乏深入的分析和讨论,且已有的工作使用的都是比较简单的神经网络模型。为此,本文使用多种卷积神经网络对掌纹识别进行性能评估。方法选取比较典型的8种卷积神经网络模型,在5个掌纹数据库上针对不同网络模型、学习率、网络层数、训练数据量等进行性能评估,展开实验,并与经典的传统掌纹识别方法进行比较。结果在不同卷积神经网络识别性能评估方面,Res Net和Dense Net超越了其他网络,并在Poly U M_B库上实现了100%的识别率。针对不同学习率、网络层数、训练数据量的实验发现,5×10~(-5)为比较合适的识别率;网络层数并非越深越好,VGG-16与VGG-19的识别率相当,Res Net层数由18层逐渐增加到50层,识别率则逐渐降低;参与网络训练的数据量总体来说越多越好。对比传统的非深度学习方法,卷积神经网络在识别效果方面还存在一定差距。结论实验结果表明,对于掌纹识别,卷积神经网络也能获得较好的识别效果,但由于训练数据量不充分等原因,与传统算法的识别性能还有差距。基于卷积神经网络的掌纹识别研究还需要进一步深入开展。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
掌纹识别论文参考文献
[1].陈杰,张雷,张睿,解丹,闫耀东.基于卷积神经网络的掌纹识别[J].软件工程.2019
[2].王海纶,李书杰,贾伟,刘晓平.卷积神经网络在掌纹识别中的性能评估[J].中国图象图形学报.2019
[3].陈晓蔓,贾伟,李书杰,刘晓平.融合全局和局部方向特征的掌纹识别方法[J].图学学报.2019
[4].钟德星,朱劲松,杜学峰.掌纹识别研究进展综述[J].模式识别与人工智能.2019
[5].江晓龙.掌纹和掌静脉融合识别算法及系统实现[D].安徽大学.2019
[6].陈晓蔓.融合多种方向特征的掌纹识别算法研究[D].合肥工业大学.2019
[7].肖倩文.基于局部不变特征的掌纹识别方法研究[D].合肥工业大学.2019
[8].王海纶.卷积神经网络在掌纹和掌静脉识别中的性能评估[D].合肥工业大学.2019
[9].周威,刘辉,曾伟高.基于顶帽变换的指节纹和掌纹识别改进算法[J].传感器与微系统.2019
[10].孙一嘉.基于SOPC的掌形及掌纹识别系统[D].长春理工大学.2019
论文知识图
