基于2DPCA和EBFNN的指纹识别方法

合集下载

改进的2DPCA人脸识别算法

ｅｔａｔｏｐｌｄｔｃｓｐｅｅｔｄ，ｔｃｎｒｄｃｉｅｓｏｌｙｘｒｃｉｎａｐｉｗｉｅｉｒｓｎｅｉａｅｕｅｄｍｎｉｎａｉ．ＥｘｅｉｅｅｐｒｍｅｔｒｅｆｒｄｏｈｅｔｔｎｓｖｘｅｉｎｓａｅｐｒｏｍｅｎｔｅＯＲＬ
为Ｎ的一维向量，如一张人脸图像分辨率为１０１０２０＂０
经转换后人脸图像向量高达１００００，这样会耗费大量的计算时间。基于图像矩阵的二维主元分析
（ｗｏｄｍｅｓｎｌＰｉｃｐｌＣｏｏｅｔＡｎｌｓｓＴ・ｉｎｉａｒｉａｏｎｍｐｎｎａｙｉ，
此方法把一张ＮＮ的二维图像可以看成是一个长度￣
２２ＣＤＰＡ方法介绍
２ＰＡ等价于基于行的ＰＡ。因此，２ＰＡ仅ＤＣＣＤＣ
在行方向上对原图像进行了压缩，其具体过程如下：
设ｘ表示ｎ列向量，为ｍ× 维Ａｎ的图像矩阵，可
ｏｈｒａｇｒｔｍｓｉｅｏｎｔｎｒｔ．ｔｅｌｏｉｈｎｒｃｇｉｏａｅｉ
Ｋｅｗｏｄ：ｆｃｃｇｉｏ；ｗｏｄｍｅｓｏａｐｉｃｐｏｏｅｔｎｙｉ（ＤＰｙｒｓａｅｅｏｎｔｎｔ —ｉｎｉｎｌｒｉａｃｍｐｎｎａｓ２ＣＡ）ｆａｕｅｘｒｃｉｒｉｎｌａｌｓ；ｅｔｔｔｒｅａｏ
ｌ引言
人脸识别是模式识别和图像处理等学科的一个研

基于机器学习的智能指纹识别系统设计

基于机器学习的智能指纹识别系统设计智能指纹识别系统是一种基于机器学习的先进技术，旨在通过分析和比对指纹图像来实现快速、准确的指纹识别。

本文章将探讨基于机器学习的智能指纹识别系统的设计原理、方法以及实际应用。

1. 引言指纹识别是一种非常有效的生物特征识别技术，因为每个人的指纹图案都是独一无二的。

传统的指纹识别方法主要依赖于专业人员的目视判断和标准化比对，但这种方法不仅费时费力，还容易出现判断的主观性误差。

而基于机器学习的智能指纹识别系统能够通过建立模型并进行训练，从而实现自动化、准确性更高的指纹识别。

2. 设计原理基于机器学习的智能指纹识别系统，主要依赖于以下两个关键原理：2.1 特征提取在指纹图像处理过程中，首先需要从图像中提取出有效的特征信息。

特征提取是智能指纹识别系统设计的核心。

传统的特征提取方法如Ridgelet、Gabor等依赖于人工设计，但这些方法需要耗费大量的时间和经验。

而基于机器学习的特征提取方法，如卷积神经网络（CNN）和支持向量机（SVM），能够自动从数据中提取有用的特征信息，大大缩短了特征提取的时间，并提高了特征的表达能力。

2.2 分类模型训练在特征提取之后，需要通过建立分类模型对指纹进行分类。

分类模型是基于机器学习的智能指纹识别系统的关键组成部分。

常见的分类模型包括朴素贝叶斯分类器、决策树分类器、支持向量机等。

这些模型根据已经提取的特征和对应的标签进行训练，建立了模型的分类规则。

在实际应用中，可以通过交叉验证等方法来评估分类模型的性能，并进行调整和优化。

3. 算法流程基于机器学习的智能指纹识别系统的算法流程一般包括以下几个步骤：3.1 数据收集首先，需要收集大量的指纹数据集。

这些数据集应包含正常指纹、湿指纹、模糊指纹、变形指纹等常见的指纹图像，以模拟不同情况下的指纹识别场景。

3.2 数据预处理收集到指纹数据后，需要对数据进行预处理，包括图像去噪、图像增强、边缘检测等。

预处理能够有效提高指纹图像的质量，减少噪声对识别准确性的影响。

基于二维主成分分析的指纹识别算法

—215—基于二维主成分分析的指纹识别算法金莉莉，李勇平，汪勇旭，王琳（中国科学院上海应用物理研究所，上海 201800）摘要：提出一种基于指纹统计特性的识别算法。

该算法根据奇异点的位置和方向，提取指纹图像的感兴趣区域(ROI)，并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。

在FVC2002指纹数据库上进行实验，结果表明：相对于PCA ，该方法的计算速度更快。

相对于传统的基于特征点的方法，该方法的实现更为简便。

关键词：指纹识别；二维主成分分析；奇异点Fingerprint Recognition Algorithm Based on Two-dimensionalPrincipal Component AnalysisJIN Li-li, LI Yong-ping, WANG Yong-xu, WANG Lin(Shanghai Institute of Applied Physics, Chinese Academy of Sciences, Shanghai 201800)【Abstract 】This paper proposes a fingerprint recognition algorithm based on statistics. Region of interest of a fingerprint image is extracted according to the position and direction of the singular points. Then the two-dimensional principal component analysis approach is applied to the training images represented by ROIs to get the statistical feature space. Fingerprint recognition is performed in the feature space using Euclidean distance classifier. Experimental results obtained on the fingerprint database of FVC2002 prove that the method has the advantages of fast computation speed compared with PCA, and simple implementation compared with traditional minutiae-based approach. 【Key words 】fingerprint recognition; two-dimensional principal component analysis; singular points计算机工程Computer Engineering 第34卷第7期Vol.34 No.7 2008年4月April 2008·人工智能及识别技术·文章编号：1000—3428(2008)07—0215—03文献标识码：A中图分类号：TP181 概述指纹识别技术是一种非常重要的生物特征识别技术，应用十分广泛。

本科毕业论文-—基于opencv的图像识别

基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。

由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。

该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。

本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。

2)预处理工作是在原始0RL人脸库上进行的。

在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。

所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。

3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。

Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。

4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。

关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。

基于改进PCA和支持向量机的掌纹识别

在一定程度上计算量小，准确率高，但容易陷入小样本问题。因此通过训练ＳＶＭ分类器，进行掌纹识别。实验证明
该方法有较好的析，改进的主成分分析，傅里叶变换，ｓＶＭ分类器
中图法分类号ＴＰ３９１文献标识码Ａ
第４２卷
第１ｌＡ期
计
算
机
科
学
２０１５年１１月
ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ
Ｖｏ１．４２Ｎｏ．１１ＡＮＯＶ２０１５
基于改进ＰＣＡ和支持向量机的掌纹识别
李昆仑张亚欣刘利利耿雪菲（河北大学电子信息工程学院保定０７１０００）
ＡｂｓｔｒａｃｔＰａｌｍｐｒｉｎｔｒｅｃｏｇｎｉｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｂｉｏｌｏｇｉｃａｌｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｒｅｔｈｅｍａｉｎｃｏｎｔｅｎｔｏｆｐａｌｍｐｒｉｎｔｒｅｃｏｇｎｉｔｉｏｎ．ＴｈｉｓｐａｐｅｒｍａｄｅｔｈｅｉｍｐｒｏｖｅｍｅｎｔｔｏｔｈｅＰＣＡａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ．Ａｔｆｉｒｓｔ，ｐａｌｍｐｒｉｎｔｉｍａｇｅｉｓｐｒｏｃｅｓｓｅｄｂｙＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ，ａｎｄｔｈｅｎｔｈｅｐｒｉｎｃｉ — ｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｉｓｕｓｅｄ．Ａｎｏｔｈｅｒｍｅｔｈｏｄｉｓｔｈａｔｔｈｅｐａｌｍｐｒｉｎｔｉｍａｇｅｉｓｐｒｏｃｅｓｓｅｄｂｙｂｌｏｃｋｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ．Ｔｈｅｉｍｐｒｏｖｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｗａｓｖｅｒｉｆｉｅｄｂｙｔｈｅｅｘｐｅｒｉｍｅｎｔ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｉｔｃａｎｉｍｐｒｏｖｅ

基于分块的2DPCA人脸识别方法

基于分块的2DPCA人脸识别方法人脸识别是一种常见的生物特征识别技术，它可以通过分析人脸图像来识别和验证个体身份。

随着数字图像处理和模式识别技术的不断发展，人脸识别技术已经得到了广泛的应用。

基于主成分分析（PCA）的人脸识别方法是一种经典的方法，它可以通过降维的方式来提取人脸图像中的主要特征。

然而，传统的PCA方法在处理高维数据时存在一些问题，例如计算复杂度高、信息丢失等。

为了克服这些问题，研究人员提出了2DPCA方法，该方法可以更好地处理二维数据，提高人脸识别的准确性和性能。

2DPCA是一种基于分块的PCA方法，它将二维数据按照块的形式进行处理，从而能够更好地捕获图像中的局部特征。

与传统的PCA方法相比，2DPCA能够更有效地提取图像中的空间信息，同时减少对数据的处理和计算复杂度。

在人脸识别领域，2DPCA方法已经被广泛应用，并取得了较好的识别效果。

1.数据预处理：首先，对人脸图像进行预处理，包括灰度化、归一化、去噪等操作。

对于每张人脸图像，将其划分为若干个大小相等的块，以便后续特征提取和分析。

2.特征提取：对每个块进行2DPCA处理，得到块级别的特征向量。

然后，将所有的块级别特征向量组合起来，构成整个人脸图像的特征向量。

3.特征选择：对特征向量进行降维处理，选取最具代表性的特征，以减少数据的维度和提高计算效率。

4.模式识别：利用训练集对选取的特征进行模式识别，构建人脸识别模型。

然后，利用测试集对模型进行评估，并计算人脸识别的准确率和召回率。

5.识别结果：根据模型对测试集的识别结果，判断测试集中的人脸图像是否与库中的人脸图像匹配，并给出相应的识别结果。

1.可以更充分地利用图像中的局部信息，提高人脸特征的区分度和稳定性。

2.降低了数据处理和计算复杂度，减少了特征提取的时间和资源消耗。

3.对光照、姿态等因素具有一定的鲁棒性，能够适应不同环境下的人脸识别任务。

4.在人脸识别的准确性和性能方面具有更好的表现，可以有效地解决传统PCA方法存在的问题。

基于PCA网络的协同指纹识别

万方数据万方数据期茸火明等：基于ＰｃＡ网络的协同指纹识别指纹主分量特征的有效性与鲁棒性，随机选取了一个训练样本进行了指纹主分量特征分析的实验，如图２所示．图２巾（８）是随机选取进行特征分析的一个圳练样本．（ａ１）足不同于（ａ）的另一指纹样本，（ａ２）～（ａ６）是（ａ）样本有空域缺损、有划痕、加（均值，方差）为（０，０．０１）高斯白噪声、不同亮度、轻度旋转（５度）的指纹样本图像．图２中（ｂ１）～（Ｉ）６）分别是（ａ１）～（ａ６）样本的主分量特征（以虚线表示）与（ａ）样本的主分量特征（以实线表示）对比图，不难看出，（ｂ２）～（ｂ５）中的特征向量较为接近，而（ｂ１）中的特征向量差别较大．研究表明，主分量特征中较小特征值所对应的特征向量包含高频信息和大部分噪声，而大特征值对应的特征向量主要包含低频信息，细节信息毒状ｇ趔删彘轴特征向量中各分量的序号（ｂ１）特征向量中各分ｔ的序号（ｂ４）较少．对指纹全局特征识别来说，低频信息对判决的贡献会更大．结合本文下一部分识别层对指纹主分量特征可作进一步的定量分析，唐参量是协同模式识别中的重要的概念，模式序参量的模值大小可作为相似性的匹配度量１１７。

１…．将上述（ａ１）～（ａ６）所示样本的主分量特征分别作为协同识别层的输入向量时，（ａ）所示原型模式的序参量的初始值的模分别为００４９８、０９２９４、１．０９８３、０．６０５７、ｔ．１０４２和０．５４９６．实验中，可观察到由（ａ２）～（ａ６）样本作为输人时，计算出的（ａ）模式序参量的模值远大于其它模式序参量的模值，从某种程度上可以说与（ａ）模式最为匹配，从而（ａ２）～（ａ６）样本将被正确识别为（ａ）模式，说明作为指纹全局特征的主分量特征是有效的，鲁棒性较好．（ｂ２）特征向量中备分量的序号（ｂ５）图２指纹主分量特征分析特征向量中鲁分量的序号（ｂ３）特征向量中各分量的序号（ｂ６）七Ｋ星掣●彘砷万方数据万方数据董火叫等：基丁｜】（、Ａ网络的协同指纹姒别罔３改进的协同识别模型卜嚣檗指纹识别的协同算法实现如下，训练流程：１）读人训练指纹样本的全局特征向量，计算出满足归一化与零均值条件的原型向量”ｓ；２）求出原型模式向量”。

改进的2DPCA方法在掌纹识别中应用

改进的2DPCA方法在掌纹识别中应用作者：张彬帅小应钱进周爱平来源：《电脑知识与技术》2021年第29期摘要：在掌纹识别中，对二维主成分分析（2DPCA）算法研究发现，用掌纹训练样本的均值来算投影矩阵得不到很好的识别率。

为减小这种偏离中心的影响从而提高识别率，提出了一种用中间值代替原有均值的2DPCA掌纹识别算法。

关键词：掌纹识别;特征提取;二维主成分分析中图分类号：TP391 文献标识码：B：文章编号：1009-3044（2021）29-0099-03Intelligent Security Access Control and Unlocking System Based on Single Chip Microcomputer ZHANG Bin， SHUAI Xiao-ying， Qian Jin， ZHOU Ai-ping（School of Computer Science and Technology， Taizhou University， Taizhou 225300，China）Abstract： For two-dimensional principal component analysis （2DPCA） algorithm， the study found in palmprint training sample mean as sample center and the projection matrix is not optimal. To reduce the training sample mean deviation to obtain the optimal projection matrix class center， proposing a 2DPCA palmprint recognition algorithm base on a sample of intermediate value.Key words： Palmprint recognition; Feature Extraction; Two-dimensional Principal Component Analysis1研究背景及意义如今科技社會发展欣欣向荣，智能门禁开锁系统已经成为大家生活中不可或缺的一部分，它能很好地保护了大家的人身安全和财产安全[1-2]。

基于二维局部保留映射的小样本掌纹识别

基于二维局部保留映射的小样本掌纹识别
潘新;阮秋琦
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)30
【摘要】小样本生物识别是现实应用中一个较难解决的问题,通过有限训练样本很难得到满意的识别结果.因此,提出了一种新的小样本掌纹识别方法,利用改进的二维局部保留映射(12DLPP)提取特征,并用支持向量机(SVM)分类.改进的二维局部保留映射是通过同时在行和列方向上进行2DPCA和2DLPP的投影实现的,从而降低了计算复杂度与特征维数;并且构建最近邻图是以图像内部的列为节点,保留更多内部流形结构,改善了识别效果.SVM是针对小样本识别的非常有效的分类工具,将两者结合可以显著提高小样本掌纹识别精度.实验结果证明了该方法的有效性.
【总页数】3页(P30-32)
【作者】潘新;阮秋琦
【作者单位】北京交通大学,信息科学研究所,北京,100044;内蒙古农业大学,计算机与信息工程学院,呼和浩特,010018;北京交通大学,信息科学研究所,北京,100044【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于线性判别局部保留映射的人脸表情识别 [J], 支瑞聪;阮秋琦
2.基于QR分解的扩展监督局部保留映射 [J], 江艳霞;刘子龙
3.基于L1范数的二维局部保留映射 [J], 邢红杰;赵浩鑫
4.加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法 [J], 张善文;张晴晴;张云龙;齐国红
5.小波重构与局部DCT的二维主元分析掌纹识别 [J], 陈晓华;李春芝;蒋云良
因版权原因，仅展示原文概要，查看原文内容请购买。

使用计算机视觉技术进行指纹识别的技巧

使用计算机视觉技术进行指纹识别的技巧指纹识别是一种常见且有效的生物识别技术，它通过分析人体指纹的纹路和特征点，来识别和验证个体身份。

随着计算机视觉技术的快速发展，越来越多的研究和应用开始将计算机视觉技术与指纹识别相结合，以提高指纹识别的准确性和效率。

本文将介绍一些使用计算机视觉技术进行指纹识别的技巧。

首先，预处理是指纹图像识别的首要步骤。

由于指纹图像常常受到噪声、光线不均匀和位移等问题的干扰，因此必须对指纹图像进行预处理，以提取出准确的指纹特征。

预处理过程通常包括图像增强、滤波和边缘检测等步骤。

例如，使用直方图均衡化可以增强图像的对比度，使指纹纹路更加清晰可见。

此外，使用高斯滤波器可以消除噪声，并使用Canny边缘检测算法检测指纹的边缘。

其次，特征提取是指纹识别的核心步骤。

在这个过程中，计算机视觉技术主要集中于提取和描述指纹的几何特征、纹理特征和频域特征。

常用的特征提取方法包括方向梯度直方图（Histogram of Oriented Gradients，简称HOG）、局部二值模式（Local Binary Patterns，简称LBP）和离散小波变换（Discrete Wavelet Transform，简称DWT）等。

这些方法可以将复杂的指纹图像特征转化为更简单且易于处理的数学特征，以便后续的分类和匹配。

第三，分类和匹配是指纹识别的关键步骤。

在这个过程中，计算机视觉技术通常使用机器学习算法，如支持向量机（Support Vector Machine，简称SVM）、k最近邻算法（k-Nearest Neighbors，简称KNN）和卷积神经网络（Convolutional Neural Network，简称CNN）等，对提取的指纹特征进行分类和识别。

这些算法可以学习和训练一个模型，该模型可以根据输入的指纹特征，准确地预测和匹配对应的个体身份。

此外，为了提高指纹识别的准确性和鲁棒性，还可以采用一些优化技术和策略。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

了测试，的正确识别率可达９．，有一定的实用价值。与ｗＴＰ总］４具 — ＮＮ算法和ｗＴ２ＰＡＲＦ算法进行比较，果一ＤＣ — Ｂ结表明，文提出的算法在平移、转及光照变化的指纹数据库上的识别效果优于ｗＴＰ本旋 — ＮＮ算法和ｗＴ２ＰＡＲＦ算一ＤＣ — Ｂ
始图像的基本特征。再通过２ＰＡ算法对该图像进行降维，取降维特征；后结合椭球基函数神经网络（ＢＮＮ）ＤＣ获最ＥＦ完成指纹识别。本算法将２Ｃ优化的特征提取与ＥＦＮ的自适应性相结合，Ｆ２０（际指纹竞赛数据库）做ＤＰＡＢＮ在ＶＣ００国上
ｎａｙｉ（ｌｓｓ２ＤＰＣＡ）ａｌｐｏｄｌＢａｉｎｃｉｎ（ｎｄＥｌｉｓｉａｓｓＦｕｔｏＥＢＦ），ａｉｅｐｉｔｒｃｇｎｔｏｎａｇｉｈｓｄｏｎｆｎｇｒｒｎｅｏｉｉｌｏｒｔｍｂａｅＷＴ，２ＰＣＡｎｄＥＢＦｕａｎｅｗｏｋ（ＤａｎｅｒｌｔｒＥＢＦＮＮ）ｉｏｓｄ．Ｏｒｇｉｌｍａｓａｅｄｅｏｐｅｉｏｓｐｒｐｏｅｉｎａｉｇｅｒｃｍｏｓｄｎｔｈｇｈｆｅｅｙａｄｌｉ — ｒｑｕｎｃｎｏｗ— ｒｑｎｃｏｐｎｅｔｉｈＷＴ。ａｈｉｏａｎｄｅｔｃｌｈｉｈ—ｒｑｕｎｃｆｅｕｅｙｃｍｏｎｓｗｔｎｄｏｒｚｎｔｌａｖｒｉａｇｆｅｅｙ
Ａｂｔａｔｎｃｍｂｎｔｏｔａｅｅａｓｏｍ（Ｔ）ＴＷＯｄｍｅｓｏａｒｎｉａｍｐｎｎｓｒｃ：ＩｏｉａｉｎｗｉｈＷｖｌｔＴｒｎｆｒＷ， — ｉｎｉｎ１ＰｉｃｐｌＣｏｏｅｔＡ—
基于２ＰＡ和ＥＦＤＣＢＮＮ的指纹识别方法
罗菁，林树忠。詹湘琳。倪建云，，
（．１天津工业大学计算机技术与自动化学院，天津３０６；０１０
２天津市现代机电装备技术重点实验室，．天津３０６；．０１０３中国民航大学电子信息工程学院，天津３００；０３０
ＬＯｉｇ，ＬＩＳｕｚｏｇ，ＺＨＡＮａｇｌ。ＵＪｎＮｈ — ｈｎ。Ｘｉｎ —ｉ，ＮＩｉｎｙｎｎａ—ｕＪ
（．ｏｌｅｏｏｕｅｅｈｏｏｙａｄＡｕｏｔｎ，＆ｊｎＰｏｙｅｈｉＵｎｖｒｉ１ＣｌｅｆＣｍｐｔｒＴｃｎｌｇｎｔｍａｉｎｌｔｃｎｃｉｅｓｔｇｏｉｙ，ｎ“ ｊｎ３０６，ｈｎ；ｎｉ０１０Ｃｉａ２ＴｉｎｉｙＬｂｒｔｒｏｅｈｎｃｌ＆ＥｌｃｒｃｌＥｕｐｎｅｈｏｏｙ，Ｔｉｎｉ０１０Ｃｉａ．ａｊｎＫｅａｏａｏｙｆｒＭｃａｉａｅｔｉｑｉｍｅｔＴｃｎｌｇａａｊｎ３０６，ｈｎ；
３ｃｏｌｆＥｌｔｏｉａｄＩｆｒａｉｎＥｇｎｅｉｇ，ＣｖｌｉａｉｎＵｉｅｓｙｏＣｉ，ｎｎ３００，ｉａ；．ＳｈｏｅｒｎｃｎｎｏｍｔｎｉｅｒｎｏｃｏｉｉＡｖｔｎｖｒｉｆｈｎｉ０３０Ｃｎｏｔａｈ４．ＳｃｏｌｆｅｔｏｉｇｉｅｒｎｈｏＥｌｃｒｎｃＥｎｎｅｉｇ，ＴｉｎｉｉｅｓｔｆＴｅｈｏｏｙ，Ｔｉｎｉ０１１，ｉａｏａｊｎＵｎｖｒｉｙｏｃｎｌｇａｊｎ３０９Ｃｈｎ）
４天津理工大学自动化学院，．天津３０９）０１１
摘要：合小波变换（Ｔ、维主元分析（ＤＰＡ）椭球基函数（Ｂ特点，出了一种基于ｗＴ、ＤＣ和ＥＦ神结ｗ）二２Ｃ和ＥＦ）提２ＰＡＢ
经网络指纹识别方法。利用小波变换将原始图像分解为高频分量和低频分量，忽略水平高频与垂直高频分量，得原并获
法。
关键
词：纹识别；二维主元分析；指椭球基函数４ＴＰ９．１
文献标识码：Ａ
Ａｏｅｉｇｒｒｎｔｒｃｇｉｉｎａｇｒｔｎｖｌｆｎｅｐｉｅｏｎｔｏｌｏｉｈｍａｅｎ２ｂｓｄｏＤＰＣＡｎｄＥＢＦＮＮａ
维普资讯
第１６卷
第９期
光学精密工程
ＯｐｔｃｎｄＰｒｃｓｏＥｎｇｎｅｉｉｓａｅｉｉｎｉｅｒｎｇ
Ｖｏ．６Ｎｏ９１１．
Ｓｅ２８ｐ．００
２００８年９月
文章编号１０ — ２Ｘ（０８０ — ７３００４９４２０）９１７ —８