基于LDP和PNN的掌纹识别算法

针对现有的掌纹识别算法对掌纹图像的旋转、尺度和亮度变化缺乏足够的鲁棒性，而且识别速度较慢的问题，本文通过LDP算子进行特征提取，将掌纹分成若干子区域后，然后通过连接这些子区域的LDP直文章引用: 周萍萍, 王晅. 基于LDP 和PNN 的掌纹识别算法[J]. 计算机科学与应用, 2018, 8(4): 464-471.

几个世纪以来，身份鉴定始终是一个关键任务的必须要求，即一个对象只有这个正确的人拥有。因此通过一个项目或一个标记来确认身份这一过程始终得以发展，且这一过程日益完美和安全。现今有许多方法可用来进行身份识别，一个可靠的方法必须难以复制且准确性高，探索发现人类本身具有这些特征即生物识别特征，包括生理特征(虹膜、指纹、语音、脸部和掌纹等)和行为特征(如签名、步态、击键特征等)[1]， 通过对这些高效和独特的特征进行图像处理和模式识别， 从而进行可靠的分析和准确的描述， 判断这些描述的相似性从而实现自动确认身份这一技术即生物识别技术。目前的生物识别技术有虹膜、脸部、语音、指纹、掌纹等人体特征的识别技术，有时甚至几种方法一起使用，然后交叉引用从而大大增加鉴别的精确度[2]。掌纹识别由于其特征明显、稳定可靠、获取成本低和用户接受度好等特点而被广泛应用[3]。

现有的掌纹识别方法大致可以分为三类， 即基于结构的方法、基于子空间的方法和基于纹理的方法。

按照应用层面分类， 掌纹识别系统分为接触性和非接触型， 接触型这类采集设备一般具有半封闭的外壳， 内部设置光源， 用户将手放在设备之上， 在辅助定位装置的约束下完成采集。

这类图像具有单一的背景， 均匀的光照，同时避免了手部晃动，具有较高的识别精度，但用户接受度和实用性有待提高。非接触型提高用户接受度并且扩展了掌纹识别的应用领域。但由于移除了定位装置，掌纹图像会发生掌纹形变， 包括线性形变与非线性形变。

根据掌纹图像的采集方式分类， 掌纹识别系统又可分为脱机式和联机式[3]， 脱机式大多用于高分辨率的掌纹图像，利用乳突纹和细节点进行识别，主要应用于刑侦、司法等领域。

联机式用于低分辨率的掌纹图像，利用主线和褶皱信息进行识别，主要应用于民用和商业应用。

有关掌纹识别的早期著作主要集中于利用掌纹图像的结构特征，如主线、褶皱和细节点的方向位置信息。研究者们开发边缘探测器或使用现有的边缘检测方法来提取掌纹线[4] [5] [6] [7]，再用直接匹配或以其他格式表示匹配来进行识别。这类方法对脱机式的高分辨率图像产生了很好的识别率，但对于联机式的低分辨率图像，由于图像的边缘特征对图像的位置、方向、光照、噪声干扰等因素较为敏感，所以此类方法对这些因素的鲁棒性不高，而且这类方法的性能易受边缘检测算子的影响。

为了克服上述不足， 基于子空间的方法是将掌纹图像看作是高维向量或矩阵[8] [9]， 通过投影或变换， 将其转换为低维向量或矩阵，并在此低维空间下对掌纹图像进行表示和匹配。目前较为广泛的方法主要包括ICA、PCA [10]、LDA [11]，子空间系数被认为是特征，但证明发现无论是高分辨率还是低分辨率图像， 基于子空间的方法对取向、位置以及照明的变化较不敏感， 因此在掌纹识别的应用中准确性不高。