摘要
当前处于网络信息化社会中，很多场合需要对人的身份进行真实可靠的鉴别，目前最有效的方法是生物特征识别技术。作为生物特征识别的一种，指节纹识别有着独特的优势和广泛的应用前景。 相对于其他比较成熟的生物特征识别方法，指节纹识别虽然发展迅速，但是由于提出时间较晚，研究不够丰富，还存在一些有待解决的问题。首先，传统识别方法存在特征冗余，识别准确率低；其次，要做到实际应用于身份识别中，就需要快速识别，而关注识别速度的相关研究比较欠缺。本文基于PolyU-FKP数据库，针对以上问题，通过传统算法和深度学习方法进行了研究，具体研究内容如下： (1)针对指节纹图像线条结构不清晰、对比度较低的问题，采用限制对比度的自适应直方图均衡化来增强图像纹理，并提高对比度； (2)通过传统算法进行指节纹识别，提取指节纹图像Sift特征进行匹配，并提出结合LBP特征的相位相关算法。实验结果表明，传统算法提取的特征冗余较大、识别准确率较低，改进后的方法提高了识别的准确率。 (3)针对传统算法特征冗余较大、识别率低的问题，采用深度信念网络对指节纹图像进行特征提取及分类，深度学习方法能有效解决特征冗余问题。对增强后的图像提取LBP特征，作为网络的输入，减小了光照不均匀和幅度很小的平移、旋转等局部变换对深度信念网络学习到的特征的影响。将输入改为LBP特征之后，相比于直接使用原图有效提高了识别的准确率，识别速度提高了10倍。 (4)针对识别速度慢、特征表示对输入的局部变换鲁棒性较差的问题，将卷积神经网络和深度信念网络结合形成卷积深度信念网络，同时采用LBP特征作为输入，相比于深度信念网络，识别速度提高了24倍。 (5)基于MATLAB平台，开发了一款基于指节纹的身份识别系统。该系统可在文件夹选择单张指节纹图像，进行限制对比度的自适应直方图均衡化，提取LBP特征，利用深度信念网络(DBN)和卷积深度信念网络(CDBN)分别识别，得到所属类别和识别时间。也可以获得左手食指、左手中指、右手食指、右手中指四个大类以及整个测试集的识别准确率和所需时间。
NETL