一、一种基于方向场和细节特征匹配的指纹识别方法(论文文献综述)
李思远[1](2021)在《应用PMOLED采集的小面积指纹图像识别方法研究》文中研究表明指纹识别技术作为应用最广泛的生物特征识别技术,已经普及于智能门锁、打卡机等电子设备的身份认证之上。随着指纹采集器变得更加小型化与轻便化,使得采集到的指纹图像越来越小,应用传统的指纹识别方法针对小面积指纹图像进行识别,会导致正确识别率大幅降低,同时LED灯作为光学指纹采集器使用最频繁的背光源,存在功耗大、背光不均匀等不足。因此,本文设计了一种应用PMOLED(Passive Matrix OLED)屏的光学指纹采集系统,并且从图像处理和深度学习两方面对采集的小面积指纹图像进行了识别方法研究。本文的主要工作如下:一(1)应用自发光PMOLED屏设计了一种光学指纹采集系统。针对该系统采集的原始图像存在屏幕发光像素干扰等问题,采用平均值消除法对原始数据进行了降噪处理,大幅地减少了屏幕干扰信号,之后进行了规格化、低通滤波、图像增强、二值化以及细化处理,得到了清晰的单像素小面积指纹图像。(2)提出一种基于拓扑结构拼接的小面积指纹识别方法。该算法首先对细化后的指纹图像提取分叉点和端点两种细节特征点,求出每一个细节特征点的方向场角度,然后将两张指纹图像进行特征点匹配,对匹配的特征点进行拓扑结构连线,最后应用配准的特征点对之间的欧氏距离之和求取最优的旋转平移参数,实现小面积指纹拼接,提高正确接受率。(3)提出一种基于改进残差网络融合卷积注意力机制的小面积指纹识别方法。将残差网络中的单一残差块改进为三种残差块类型,并通过不同的堆叠方式对残差块进行重新布局,减少了非线性激活函数过多带来的影响,然后将卷积注意力机制添加至改进的残差网络中,利用卷积注意力机制对所提取的指纹图像特征进行加权处理。该方法减少了网络训练和测试的收敛时间,同时提高了测试准确率。实验结果表明,本文应用PMOLED设计的光学指纹采集系统可靠有效,并且本文提出的基于拓扑结构拼接的小面积指纹图像识别方法在自建库和重构后的FVC2002DB2指纹库分别取得99.57%和99.65%的正确识别率,基于改进残差网络融合卷积注意力机制的小面积指纹识别方法在自建库和重构后的FVC2002DB2指纹库分别取得98.15%和98.69%的测试准确率,证明了本文方法的有效性,能够满足智能产品的应用要求。
张晓欢[2](2021)在《低质量指纹图像识别算法的研究与实现》文中进行了进一步梳理随着指纹识别技术的应用越来越广,人们对其识别效率和准确性要求越来越高,而现实中受采集环境或自身皮肤状况影响仍存在大量低质量指纹图像无法得到有效识别。现有低质量指纹图像识别算法以图像增强为主,在一定程度上能减少伪细节点数目,但经过特征提取后仍会存在大量伪细节点,最终导致整个指纹识别系统的性能下降,使得及时、准确识别低质量指纹图像成为目前亟待解决的一个问题。本文提出一种低质量指纹图像识别算法,该算法主要围绕指纹识别系统中影响低质量指纹图像识别性能的图像增强、特征提取和特征匹配三个环节进行。具体研究内容如下:1.在图像增强环节,针对受采集环境或污损影响的低质量指纹图像存在大量伪细节点的情况,在深入研究典型方向滤波图像增强方法基础上,结合短时傅里叶变换同时求取指纹图像的方向场和频率场,有效地避免频率场对方向场估计依赖性强的问题,提高低质量指纹图像增强的效果,从而减少低质量指纹图像中伪细节点的数量。2.在特征提取环节,对经过图像增强后的指纹灰度图像,通过建立数学模型进行细节点特征的提取,有效避免对指纹图像进行细化处理时引入大量伪细节点,增加提取特征的有效性。3.在特征匹配环节,对经过图像增强后的图像提取出的细节点进行可靠性分析,通过建立核心细节点支持性系统,用多个细节点形成的系统间的相似性代替核心细节点对间的相似性,排除相似性低的核心细节点对的同时找出相似性高的可靠细节点对,根据最优校准法则从可靠细节点对中选出成功匹配的细节点数量计算匹配分数,充分利用低质量指纹图像中可靠性高的细节点信息进行匹配,能有效地改善低质量指纹图像的识别效率和准确率。实验结果表明,本文算法与现有低质量指纹图像识别算法相比,在减少低质量指纹图像中伪细节点产生的同时,经可靠性分析,选取出可靠性高的细节点用于匹配分数的计算,能有效解决低质量指纹图像识别系统性能差的问题。
满俊缨[3](2021)在《改进的指纹方向信息提取算法研究与实现》文中进行了进一步梳理随着指纹识别技术在国内外快速发展并被各个领域所应用,人们对指纹识别系统性能的要求也愈来愈高。虽然指纹识别系统已相对成熟,但现有的提取指纹方向场的算法仍然存在问题,指纹图像在曲线角度特别陡的区域方向信息不连续以及没有办法进行准确平滑,在脊线中存在一些空洞或者在谷线上有不定数量的斑点情况下,对于离散类指纹图像无法起到很好的提取效果。本文为解决上述问题,提出一种改进的指纹方向场提取算法。本文根据干涉图样的形态特征,可以把指纹图像看作干涉图样的一个特例,由于干涉图样是典型的调制信号,因而把指纹图像看作调制信号。通过搭建指纹图像的数学模型,将指纹图像与二维信号建立联系,再通过将预处理后的指纹划分模板、计算细节特征点、判断指纹纹理,进而将指纹特征信息从指纹信号中提取出来,以达到提高整个系统的性能的目的。首先,为了便于对指纹图像进行特征提取,搭建指纹图像的数学模型,其目的是将指纹图像与二维调制信号建立数学联系;其次,把指纹图像中含有的高频噪声信号由高斯低通滤波器滤除,经过均值滤波的处理,将指纹图像中的灰度补偿值消除,根据灰度值方差对指纹图像进行分割;再次,将预处理后的指纹图像划分成模板,通过计算找到分叉点和末梢点等细节特征点,记录他们的类型和位置,通过邻域编码判断指纹纹理;最后,根据其跟踪的移动范围提取指纹方向场。实验结果表明,本文的算法是可以提高提取方向场的准确性和降低提取的时间成本,可以避免指纹图像在曲线角度特别陡的区域方向信息不连续以及没有办法进行准确平滑的现象,可以解决脊线中存在空洞的问题,可以修复指纹图像存在断裂的现象,使提取的指纹方向场更加完整。
方红莉[4](2021)在《图形化指纹方向解析算法研究与实现》文中研究表明指纹识别技术是目前应用最广泛的身份验证方式,这项技术的核心在于如何精准快速的提取可靠且数量多的指纹特征。为解决主流的指纹方向场获取方法存在图像灰度极值区域纹线方向不可靠、平滑操作易导致细节点方向丢失和只提取单一方向场特征的问题,本文提出图形化指纹方向解析算法。本文方法不同于基于形态学操作获取指纹特征的算法,通过建立指纹图像和二维信号之间的联系,以信号解析为主线获取指纹方向场特征。主要研究内容如下:1、从图形化的角度,比较指纹图像和干涉条纹的特征,并根据干涉条纹模型建立指纹数学模型,得到二维指纹信号,信号中每一项分别代表指纹图像包含的一种信息。2、进行指纹图像预处理,分别采用高斯低通滤波、均值滤波依次消除指纹信号中的噪声和灰度补偿值,并结合基于灰度方差的图像分割法提取指纹图像的有用区域,得到只包含幅值信息和相位信息的指纹信号。3、对预处理后的指纹信号构造解析函数,通过里兹变换解调二维指纹解析信号,并利用解调得到的分量之间的关系计算幅值信息、指纹初始方向信息和相位信息。4、基于频率信息获取最终的指纹方向场,计算指纹相位的梯度,即瞬时频率信息,利用纹线方向和相位梯度方向之间垂直的关系,得到最终具有局部特性的指纹方向场。实验结果表明,本文提出的算法不仅能在指纹图像灰度极值区域获取可靠的纹线方向信息,保留细节点的方向信息,同时还能获取多个指纹特征,保证了指纹识别系统的识别准确度和识别速度。
马茹茹[5](2021)在《基于指纹和心电信号的双模态身份认证研究》文中提出基于指纹的生物识别技术被广泛应用于社会各个领域,但是指纹残缺会导致准确率下降,且指纹易被伪造,系统容易受到欺骗攻击,存在安全隐患。而心电信号具有活体特性,不易被复制和伪造,安全性更高。因此,本文将指纹和心电信号进行融合以提高身份认证系统的安全性。为了解决指纹残缺引起的准确率下降以及假指纹膜欺骗攻击问题,本文提出基于D-S理论的双模态融合框架,将指纹与心电信号在分数层进行融合。实验结果表明在残缺指纹特征信息不足的情况下,传统特征点匹配算法的错误拒绝率为100%,而本文提出的双模态融合认证将错误拒绝率降为5%,提高了系统的鲁棒性;该框架利用D-S决策规则能有效解决证据冲突问题,当假指纹膜通过认证而心电信号认证未通过时,系统最终给出正确拒绝的身份判定结果。在ECG-ID和FVC2002数据库构建的数据集上进行验证,22组数据的错误接受率均在7%以下,大大提高了系统安全性。为了确保采集的心电信号来自活体,本文在融合框架的基础上,提出了基于隐写的心电信号活体检测模块。该模块利用LSB隐写算法将采集端提取的心电动态特征数据嵌入原始心电信号中。因为每次采集嵌入的动态特征数据均不相同,所以攻击者难以模仿。在ECG-ID数据集上进行验证,实验结果表明此模块在保证身份认证准确率的同时,提高了系统认证的安全性。
何致远[6](2021)在《低质量小面积指纹识别》文中认为指纹识别是应用最广泛的身份认证技术之一。随着移动终端集成度的增加和消费者对终端轻便性要求的不断增长,指纹传感器采集面积不断减小,从而导致了用于指纹匹配的有效信息减少;另一方面,移动终端上指纹的采集条件复杂多样,且诸如皮肤龟裂、污渍等不利条件会对指纹图像造成影响。因此,小面积低质量指纹识别技术不仅是一项具有广泛应用前景的身份认证技术,而且是一项迫切需要解决的技术难题。本文的研究聚焦于低质量小面积指纹匹配,提出了一个全新的小面积指纹图像匹配算法框架,并在公开数据集以及自有数据集测试中达到了目前小面积指纹识别最好的性能。主要工作和创新点如下:(1)指纹图像增强。针对指纹图像质量较差和使用场景多样化的问题,我们首先采用卡通纹理分解来消除采集环境不同造成的指纹图像差异,提高指纹识别算法的多场景适应能力;第二,通过神经网络提取稳定的指纹方向场信息;第三,将提取到的方向场信息应用于Gabor滤波器中,增强指纹图像的纹理结构,修复指纹破损区域。通过Gabor滤波,图像中的背景噪声被减弱。(2)指纹图像对准。针对小面积指纹存在图像旋转平移大,重叠面积小的问题,我们设计了空间变换网络(Spatial Transformer Network,STN),在指纹识别过程中自动对准输入的指纹图像。所设计的STN网络采用多角度旋转和网络权值共享策略,能够适应任意变换角度的输入指纹图像,大幅度提升了仿射变换参数预测性能。(3)指纹图像匹配。针对小面积指纹可用的细节点特征较少、且大数据场景下指纹细节点、方向场的标注比较困难的问题。我们设计了基于局部自注意力机制的指纹配对二元分类模型。通过使用多尺寸滑动窗口策略来提取不同尺寸下的指纹特征,并使用乘积网络来加权指纹局部特征。实验表明,我们提出的匹配网络能够在没有先验信息的条件下,自动学习到指纹一级和二级特征,如脊线、细节点等,并实现了较好的指纹识别性能。本文针对低质量小面积指纹匹配课题进行研究,所提出的指纹匹配算法在FVC2006小面积指纹识别比赛中,取得了等错率(EER)3.15%的成绩,远超排行榜第一名(EER:5.56%),且性能也优于最新的商用指纹识别算法Veri Finger12.0(EER:4.04%)。此外,我们还将指纹匹配算法应用到手机屏下指纹识别场景中,正常皮肤湿度条件下,达到了误识率小于五万分之一的条件下,误拒率3.103%的良好性能。
任毅[7](2019)在《指纹识别系统的研究和实现》文中研究说明指纹识别是最早将生物特征用于身份识别的技术之一,也是一种技术很成熟的身份识别技术。指纹识别算法主要分为指纹图像预处理和图像特征点匹配两个部分。由于指纹特征点的提取和匹配是基于预处理图像上的,所以指纹预处理对指纹图像识别准确率影响重大。甚至可以说,指纹特征提取的准确性和可靠性直接取决于指纹预处理的好坏,指纹预处理直接决定指纹识别的最终效果。本篇论文比较深入地研究了指纹图像的预处理技术,主要是为了提出新的方法和技术来解决当前指纹预处理中存在的不足。在本篇论文的相关章节中,研究了包括指纹图像规格化、灰度均衡化及指纹图像分割等图像预处理算法。本文采用一种改进的Gabor滤波算法,该算法利用指纹的方向和频率信息,在图像增强方面效果更好。在分析指纹图像二值化的基础上,选取了一种基于梯度方向信息和频率信息的二值化方法,降低梯度对图像质量的要求。在研究基础指纹图像细化算法中,选用了一种改进的OPTA(One Pass Thinning Algorithm)细化算法,该方法可以有效地抑制毛刺,细化效果提升较为明显。基于以上研究成果,本文完成了一个较为成熟的基于指纹识别的身份认证系统。将指纹作为用户登录的方式,克服了传统用户登录使用个人密码的缺陷。我们先进行了功能和非功能需求分析,并根据上文中的分析,对指纹识别系统的主要功能模块进行设计和工程化实践,然后通过MFC(Microsoft Foundation Class)框架组合各个模块,构建出可视化指纹识别系统。最后对指纹识别系统进行测试与运用。但由于条件限制,大规模的系统应用的性能未能进行验证。
张天良[8](2020)在《指纹信息提取技术分析与实现》文中研究指明指纹是人类生物特征的主要组成部分之一。人类在漫长的发展历程中,人类留存的生物特征信息日渐泯灭。随着生物技术的飞速发展,基于信物或密码的传统安全系统显得越来越脆弱而不能适应现代安全防御系统的需求,因而人们想通过研究其它识别技术来满足日常生活中的需要。人们更加渴望安全程度更高、识别速度更快、防止伪造性能更好的现代安全系统,在这种背景下,指纹识别技术应运而生。指纹识别技术作为一种相对来说比较可靠的生物识别技术[1]一定程度上得到人们的看重,同时也满足了人们对各项性能优异的识别技术的需求。人们发现不同个体的指纹具有两大明显的特点,即唯一性和不变性。也就是说指纹特征是人从出生到离开一辈子的时间里不会改变的生物特征之一,另外因为个体的差异,不同的人,对他们手上的指纹特征分别进行比较,其结果几乎不存在相同的情况。同时采取指纹识别技术来鉴定花费的费用和其它识别技术相比来说比较低,而且最后产生的效果好,例如指纹门禁系统、司法鉴定、案例分析、计算机运用系统、银行技术等方面。所以其作为身份鉴定的一种方法,并且凭借着其身具有的良好安全性、保密性和方便性。在近几年来得到了飞速发展并广泛应用于社会中的安全和经济领域中,大有取代传统身份识别方式的趋势,未来会有良好的应用场景。本篇文章首先介绍了指纹识别的研究背景与研究意义,其次介绍了不同生物识别技术并与指纹识别技术做了比较,然后分析了指纹识别一些具体的应用,最后对指纹识别的基本步骤作了简单的介绍,主要是三个步骤,它们各自是指纹图像的预处理、特征提取、指纹的匹配[2]。重点研究了指纹图像预处理,在指纹图像预处理部分,论文对预处理各个步骤包括预处归一化处理、二值化处理和细化处理等以及各个步骤的方法进行了深入的分析及研究,经过一系列的预处理操作过程之后,指纹图像将会最终变为纹线宽度不均匀的呈现出明显的黑白效果的二值化图像,这样的二值化图像是一个宽度为只含有0和255像素值即使统一像素的细化后的图像。在指纹特征提取部分,采用基于MATLAB指纹细节特征提取方法。指纹特征提取的目的是获取细节特征点(即端点和交叉点)。这些特征点从细化后的指纹图像中能够查询并且找到的。最终我们可以对指纹进行自动匹配,靠的是特定的指纹图像的特征,包括端点和交叉点。实验表明,该方法效果良好。本论文中采用MATLAB编程实现所有算法。
郝培蓉[9](2020)在《基于分类特征的指纹识别系统的研究与实现》文中进行了进一步梳理生物特征识别技术由于信息时代的到来蓬勃发展,已经在个人身份认证领域取得一定的研究、应用成果。指纹识别技术凭借其易采集、识别稳定以及成本低等特点,成为生物特征识别技术行业中占比最高的身份认证技术。由于人口基数庞大,指纹识别技术的研究逐步转向基于大容量指纹库的指纹自动识别,为了对待识别指纹找到与之相匹配的指纹模板,指纹库需要建立有效的索引,否则将会在数据库进行全表扫描,时间代价较大,不满足人们对高效系统的要求。因此,本文以指纹识别系统中的分类方法为主要研究方向,研究并实现指纹三级分类算法与基于分类特征的指纹识别系统,将整个指纹库缩小为与待识别指纹相似的同源指纹集。本文的主要研究成果如下:(1)在指纹图像预处理阶段,研究并实现了一套指纹质量评估方法,剔除低质量指纹并提示用户重新采集,评估方法采用了图像有效面积比、有效区灰度对比度以及有效区形心偏移量等特征。(2)在指纹分类方面,一方面研究了指纹三级分类方法,首先根据提取的奇异点的数量与位置确定指纹纹形,对指纹进行粗分类,其次根据奇异点间脊线数目进行二级分类,最后依据脊线平均周期分类,依此三种特征数据构建带有索引的大容量指纹数据库;另一方面针对奇异点间脊线数目与脊线平均周期估算不准确的情况,研究实现了数据库索引方法,在同源指纹集匹配失败时,增加搜索半径,经过大量实验得出搜索半径上限,降低系统搜索时间与拒识率。基于现有的算法结合以上两方面的研究内容,实现一套面向研究生招生考试的基于分类特征的指纹自动识别系统,经过实验数据验证表明,质量评估方法和分类算法能降低系统拒识率,提高系统的效率。
徐国庆[10](2020)在《基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究》文中进行了进一步梳理指纹因其具有唯一性、普遍性、稳定性以及易采集性,使得指纹特征在众多的生物特征识别中得到了广泛的应用,其中包括刑侦、身份识别等领域。从上世纪九十年代我国开始对指纹识别技术进行研究和应用,发展至今已有将近三十年的历史,取得了很多优秀的成果,特别是针对高质量的指纹图像,已经发展的非常成熟。但是,在实际的指纹采集过程中往往因为手指表面存在缺陷,手指或指纹采集传感器表面存在污渍等原因,会使得采集得到的指纹库中包含脊线模糊、断裂的低质量指纹图像,而且在我国的指纹库中也存在低质量指纹图像,这些低质量指纹图像的存在严重影响指纹识别的准确率。针对这个问题,本文以低质量指纹图像为对象,在指纹识别的系统的预处理阶段、特征提取阶段和识别阶段进行了研究,主要研究工作内容如下:1.在预处理阶段提出一种二维Otsu准则的自适应分数阶微分增强耦合短时傅里叶变换(Short-time Fourier Transform,STFT)的低质量指纹图像增强算法,该算法将对于纹理有较好增强效果的方法和基于纹理特征的针对性增强方法有机结合在一起,以自适应分数阶微分理论为基础,通过引入改进的二维Otsu准则,结合指纹图像的区域特征构造出自适应分数阶微分函数,对低质量指纹图像的边缘和弱纹理进行增强,然后再利用STFT分析指纹图像,根据其方向图、频率图等纹理信息构造频域滤波器对指纹图像进行二次增强。从而有效的解决了低质量指纹图像存在的纹理模糊和纹线不连续的问题。将本文方法与Gabor滤波增强方法和单独使用STFT滤波增强方法相比,结果表明:利用本文提出的方法处理后得到的增强结果更加符合纹线的走势,对低质量指纹图像存在的模糊和纹线不连接问题可以准确有效的解决。并使用局部自适应阈值方法处理得到二值化图像,然后使用改进的OPTA(One-Pass Thinning Algorithm)细化算法处理得到细化指纹图像,为后续的特征提取做准备。2.在特征提取阶段研究分析了目前特征提取的方法,并使用了模板匹配法对经过预处理的指纹图像进行细节点(端点和分叉点)特征的提取。使用删除模板和保留模板遍历整幅指纹图像的所有像素点,提取得到所有满足条件的细节特征点(包含伪特征点),然后对提取得到的所有的细节特征点进行去伪处理,为后续的指纹识别提供可靠、有效的细节特征点信息。3.在识别阶段提出一种基于高斯模糊化征点图的卷积神经网络识别方法。将经过特征提取处理后得到的只包含特征点(端点和分叉点)的指纹图像进行高斯模糊化处理,以降低指纹图像纹理特征,突出强调其特征点以及特征点之间的相互关系。并且经过高斯模糊化处理后,使其对旋转和平移具有较高的容忍性。使用相同的数据与基于随机森林算法的识别结果相比有明显优势,以高斯模糊化特征点图作为卷积神经网络(Convolutional Neural Networks,CNN)的输入,对其进行识别,得到了理想的识别结果,识别率可以达到98.75%。
二、一种基于方向场和细节特征匹配的指纹识别方法(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、一种基于方向场和细节特征匹配的指纹识别方法(论文提纲范文)
(1)应用PMOLED采集的小面积指纹图像识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 光学指纹采集器研究现状 |
1.3 PMOLED研究现状 |
1.4 小面积指纹识别方法研究现状 |
1.4.1 基于图像处理的小面积指纹识别方法研究现状 |
1.4.2 基于深度学习的小面积指纹识别方法研究现状 |
1.5 论文的主要工作和论文结构 |
2 应用PMOLED的小面积指纹图像采集及预处理 |
2.1 PMOLED屏下光学指纹采集系统方案 |
2.1.1 PMOLED发光原理 |
2.1.2 PMOLED屏下光学指纹传感器工作原理 |
2.1.3 光学指纹采集系统方案设计 |
2.2 指纹图像预处理 |
2.3 本章小结 |
3 基于拓扑结构拼接的小面积指纹识别方法 |
3.1 基于细节特征点对拓扑结构配准的指纹特征拼接 |
3.1.1 指纹拼接算法流程 |
3.1.2 指纹拼接算法具体步骤 |
3.2 指纹图像细节特征点和细节点方向场描述子的提取 |
3.2.1 细节特征点的提取 |
3.2.2 指纹方向场描述子的提取 |
3.3 指纹拼接细节关键点和最优旋转平移参数的确定 |
3.3.1 指纹拼接细节关键点的确定 |
3.3.2 最优旋转平移参数的计算 |
3.4 实验及结果分析 |
3.4.1 指纹数据集的构建及指纹识别性能指标 |
3.4.2 实验结果分析 |
3.5 本章小结 |
4 基于改进残差网络融合注意力机制的小面积指纹识别方法 |
4.1 基于深度学习的小面积指纹识别系统网络模型训练流程 |
4.2 残差网络的改进 |
4.2.1 残差网络模型 |
4.2.2 残差网络的改进模型 |
4.3 卷积注意力机制 |
4.4 基于改进残差网络与CBAM融合的小面积指纹识别方法 |
4.5 实验及结果分析 |
4.5.1 自建库识别结果 |
4.5.2 FVC2002DB2 识别结果 |
4.5.3 可视化实验结果 |
4.6 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
(2)低质量指纹图像识别算法的研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 自动指纹识别系统 |
1.3 低质量指纹图像识别的国内外研究现状 |
1.4 本文主要研究内容 |
第2章 低质量指纹图像增强 |
2.1 引言 |
2.2 典型低质量指纹图像增强算法分析 |
2.3 本文低质量指纹图像增强算法 |
2.3.1 基于频域分析的关键参数估计 |
2.3.2 基于方向和频率的低质量指纹图像增强 |
2.4 低质量指纹图像增强结果 |
2.5 本章小结 |
第3章 低质量指纹图像的特征提取 |
3.1 引言 |
3.2 典型低质量指纹图像特征提取算法分析 |
3.3 本文低质量指纹图像的特征提取算法 |
3.3.1 低质量指纹数学模型的建立 |
3.3.2 低质量指纹图像的细节点特征提取 |
3.3.3 低质量指纹图像的方向场特征提取 |
3.4 本章小结 |
第4章 低质量指纹图像的特征匹配 |
4.1 引言 |
4.2 典型低质量指纹图像的特征匹配算法分析 |
4.3 本文低质量指纹图像的细节点特征匹配 |
4.3.1 指纹点集匹配 |
4.3.2 核心细节点支持性系统的建立 |
4.3.3 可靠细节点对的获取 |
4.3.4 全局最优配准原理 |
4.3.5 计算匹配分数 |
4.4 本章小结 |
第5章 低质量指纹图像识别结果分析 |
5.1 实验平台搭建与数据库选取 |
5.2 指纹识别系统性能评价指标 |
5.3 低质量指纹图像识别结果可靠性分析 |
5.3.1 实验仿真结果分析 |
5.3.2 特征提取结果的可靠性分析 |
5.3.3 特征识别结果的可靠性分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文及获奖情况 |
致谢 |
(3)改进的指纹方向信息提取算法研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的目的和意义 |
1.2 指纹识别系统 |
1.2.1 指纹识别系统框架 |
1.2.2 指纹特征提取 |
1.2.3 指纹方向场的重要作用 |
1.3 指纹图像方向信息提取国内外研究现状与分析 |
1.4 本文的主要研究内容及结构安排 |
第2章 现有指纹方向场的提取算法研究与分析 |
2.1 提取方向场所用梯度算子 |
2.1.1 Roberts算子 |
2.1.2 Prewitt算子 |
2.1.3 Sobel算子 |
2.2 基于梯度的提取算法 |
2.3 块方向场计算法 |
2.4 掩模法 |
2.5 改变处理方式 |
2.6 本章小结 |
第3章 改进的指纹预处理 |
3.1 建立数学模型 |
3.2 滤除指纹中的高频噪声 |
3.2.1 基本原理 |
3.2.2 滤除高频噪声 |
3.3 滤除指纹中的灰度补偿值 |
3.3.1 基本原理 |
3.3.2 消除灰度补偿值 |
3.4 指纹图像的背景分割 |
3.5 本章小结 |
第4章 改进的指纹方向场提取算法 |
4.1 基于改进算法的细节特征提取 |
4.1.1 定位脊线 |
4.1.2 定义集合 |
4.1.3 检测区域 |
4.1.4 判定特征点 |
4.2 改进的指纹方向场提取算法 |
4.2.1 提取算法的原理 |
4.2.2 提取算法的过程 |
4.2.3 提取算法的实现 |
4.3 算法的优化 |
4.3.1 算法推导 |
4.3.2 处理效果 |
4.4 本章小结 |
第5章 指纹方向提取的系统验证 |
5.1 系统测试应用 |
5.1.1 系统测试平台和数据库 |
5.1.2 系统性能指标 |
5.2 系统测试应用结果分析 |
5.2.1 算法识别准确性分析 |
5.2.2 时间复杂度分析 |
5.2.3 平均绝对差分析 |
5.2.4 ROC曲线分析 |
5.3 系统应用分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文及获奖情况 |
致谢 |
附录 |
(4)图形化指纹方向解析算法研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的及意义 |
1.2 获取指纹方向场的重要性 |
1.3 指纹方向场获取方法的国内外研究现状 |
1.4 论文研究内容及章节安排 |
第2章 典型的指纹方向场获取方法研究与分析 |
2.1 指纹方向场 |
2.2 指纹图像归一化处理 |
2.3 典型的指纹方向场获取算法 |
2.3.1 算法一 |
2.3.2 算法二 |
2.3.3 算法三 |
2.3.4 算法四 |
2.3.5 算法五 |
2.4 典型的指纹方向场获取算法分析 |
2.5 本章小结 |
第3章 图形化指纹图像预处理 |
3.1 基于图形化特征获取指纹信号 |
3.1.1 指纹图像和干涉条纹的图形化特征 |
3.1.2 指纹信号及其组成分量 |
3.2 图像中的噪声及消除方法 |
3.2.1 图像中的噪声 |
3.2.2 消除噪声 |
3.3 图像中的灰度补偿值及消除方法 |
3.3.1 图像中的灰度补偿值 |
3.3.2 消除灰度补偿值 |
3.4 指纹图像分割 |
3.5 本章小结 |
第4章 图形化指纹方向解析 |
4.1 二维解析信号 |
4.1.1 一维解析信号 |
4.1.2 指纹解析信号 |
4.2 获取初始指纹方向场 |
4.2.1 指纹解析信号的分量 |
4.2.2 初始指纹方向信息和相位信息 |
4.3 初始指纹方向场的平滑 |
4.4 基于频率信息获取最终指纹方向场 |
4.5 本章小结 |
第5章 实验条件及实验结果分析 |
5.1 搭建实验测试系统 |
5.2 实验条件 |
5.2.1 选取实验平台和指纹数据库 |
5.2.2 实验样本 |
5.3 指纹方向场的评价指标 |
5.4 指纹方向场获取算法性能比较 |
5.4.1 指纹方向场的精确度 |
5.4.2 指纹方向场获取算法的运行时间 |
5.4.3 ROC曲线 |
5.5 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文及获奖情况 |
致谢 |
(5)基于指纹和心电信号的双模态身份认证研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 身份认证技术研究现状 |
1.2.2 多模态融合认证研究现状 |
1.3 本文主要工作和结构 |
第二章 指纹身份认证原理及存在的问题 |
2.1 指纹的基本特征 |
2.2 指纹图像预处理 |
2.2.1 归一化 |
2.2.2 图像分割 |
2.2.3 图像增强 |
2.2.4 方向场估计 |
2.2.5 二值化和细化 |
2.3 指纹特征提取和匹配 |
2.4 身份认证评价标准 |
2.5 实验结果与分析 |
2.6 本章小节 |
第三章 基于D-S理论的双模态融合策略 |
3.1 基于心电信号的身份认证 |
3.1.1 心电信号概述 |
3.1.2 心电信号认证 |
3.2 基于D-S理论融合策略 |
3.2.1 D-S证据理论的基本内容 |
3.2.2 融合层次与框架 |
3.2.3 构造基本概率分配函数 |
3.2.4 D-S决策规则 |
3.3 实验结果与分析 |
3.3.1 权值确定 |
3.3.2 残缺指纹实验 |
3.3.3 防伪实验 |
3.4 本章小结 |
第四章 基于隐写的心电信号活体检测 |
4.1 心电信号活体检测策略 |
4.2 基于LSB隐写的心电信号活体检测 |
4.2.1 隐写算法概述 |
4.2.2 心电信号预处理 |
4.2.3 动态特征选择与嵌入 |
4.2.4 动态特征提取 |
4.3 检测模块流程 |
4.4 实验与结果 |
4.5 本章小节 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
在学期间取得的科研成果和科研情况说明 |
致谢 |
(6)低质量小面积指纹识别(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 指纹图像增强算法 |
1.2.2 指纹特征提取 |
1.2.3 基于神经网络的指纹识别方法 |
1.2.4 小面积指纹识别 |
1.3 本文主要贡献和章节安排 |
2 小面积指纹识别算法框架与性能评估方法 |
2.1 小面积指纹识别算法框架 |
2.2 指纹识别性能评价指标 |
2.2.1 真匹配和假匹配 |
2.2.2 误识率(FAR)和拒识率(FRR) |
2.2.3 FMR-FNMR曲线和等错率(EER) |
2.3 小面积指纹数据集 |
2.3.1 FVC系列数据集 |
2.3.2 自采手机屏下光学指纹数据集 |
2.3.3 AES3400 数据集 |
2.3.4 训练仿真数据集生成 |
3 低质量指纹增强算法 |
3.1 卡通纹理分解 |
3.2 指纹方向场预测 |
3.3 指纹图像频率估计 |
3.4 Gabor滤波 |
3.5 不同场景的指纹图像增强示例 |
4 小面积指纹对准算法 |
4.1 空间变换网络(Spatial Transformer Network) |
4.2 对准网络Align Net |
4.2.1 Align Net网络结构 |
4.2.2 损失函数 |
4.3 仿射变换 |
4.3.1 采样点生成器 |
4.3.2 采样器 |
4.4 训练细节 |
4.5 对准网络Align Net性能评估 |
4.5.1 仿射变换参数预测性能 |
4.5.2 不同对准策略的指纹匹配性能 |
5 小面积指纹匹配算法 |
5.1 匹配网络CompareNet |
5.1.1 多尺寸图像块生成 |
5.1.2 特征提取网络FeatureNet |
5.1.3 特征融合 |
5.2 损失函数 |
5.3 网络训练细节 |
5.4 指纹匹配性能评估 |
5.4.1 FVC2006 DB1 测试结果 |
5.4.2 AES3400 测试结果 |
5.5 手机屏下指纹多模板融合匹配实验 |
5.5.1 数据划分和训练细节 |
5.5.2 测试细节 |
5.5.3 测试结果 |
5.6 模型可视化 |
6 总结和展望 |
参考文献 |
作者在学期间所取得的科研成果 |
(7)指纹识别系统的研究和实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文内容与组织结构 |
第二章 指纹识别理论 |
2.1 指纹处理流程 |
2.1.1 指纹采集 |
2.1.2 指纹预处理 |
2.1.3 指纹特征提取 |
2.1.4 指纹特征点匹配 |
2.1.5 指纹系统评价指标 |
2.2 指纹识别特征 |
2.2.1 局部特征 |
2.2.2 全局特征 |
2.3 MFC简介 |
2.4 本章小结 |
第三章 指纹预处理技术 |
3.1 预处理的目的 |
3.2 指纹图像分割 |
3.2.1 基于灰度分割方法 |
3.2.2 基于方向分割方法 |
3.2.3 基于梯度分割方法 |
3.3 指纹图像增强 |
3.3.1 指纹图像均衡化 |
3.3.2 基于方向图的Gabor滤波 |
3.4 指纹图像二值化 |
3.4.1 全局阈值法 |
3.4.2 局部阈值法 |
3.5 指纹图像细化 |
3.5.1 快速细化方法 |
3.5.2 OPTA细化方法 |
3.6 本章小结 |
第四章 指纹特征提取和匹配 |
4.1 指纹特征提取算法 |
4.1.1 特征点方向说明 |
4.1.2 搜索特征端点和叉点 |
4.1.3 伪特征点删除 |
4.2 指纹特征匹配 |
4.2.1 指纹匹配算法综述 |
4.2.2 点模式匹配算法 |
4.3 本章小结 |
第五章 系统模块设计与实现 |
5.1 可视化工具设计 |
5.1.1 MFC框架 |
5.1.2 功能设计 |
5.1.3 主界面设计 |
5.2 具体细节设计 |
5.2.1 图像读入显示操作 |
5.2.2 图像预处理 |
5.2.3 图像特征提取及匹配 |
5.3 可视化工具测试 |
5.3.1 软件测试 |
5.3.2 系统界面测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文工作总结 |
6.2 问题与展望 |
参考文献 |
附录1 攻读硕士学位期间申请的专利 |
致谢 |
(8)指纹信息提取技术分析与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景和意义 |
1.2 不同识别技术比较 |
1.3 指纹识别技术应用实例 |
1.4 主要内容与结构总结 |
1.4.1 主要内容 |
1.4.2 结构安排 |
第2章 指纹的全局特征和局部特征 |
2.1 指纹全局特征 |
2.2 指纹局部特征 |
第3章 指纹识别算法的开发 |
3.1 指纹提取的研究历程及特点迁移 |
3.2 指纹提取关键技术 |
3.2.1 指纹图像采集 |
3.2.2 指纹图像预处理 |
3.2.3 指纹图像特征提取 |
3.2.4 指纹图像识别与匹配 |
3.3 污损指纹信息处理 |
第4章 指纹识别系统的MATLAB实现 |
4.1 研究工具MATLAB的介绍 |
4.1.1 MATLAB的特点 |
4.1.2 MATLAB语言简介 |
4.2 算法MATLAB仿真结果 |
第5章 总结与展望 |
5.1 研究总结 |
5.2 研究展望 |
参考文献 |
致谢 |
(9)基于分类特征的指纹识别系统的研究与实现(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与研究的目的意义 |
1.2 指纹自动识别系统 |
1.2.1 研究历史与现状 |
1.2.2 应用前景 |
1.3 研究目标与研究技术路线 |
1.3.1 研究目标 |
1.3.2 研究技术路线 |
1.4 本文的内容安排 |
2 指纹自动识别系统构成介绍 |
2.1 指纹图像采集 |
2.2 指纹基本特征 |
2.2.1 全局特征 |
2.2.2 局部特征 |
2.2.3 细微特征 |
2.3 指纹预处理 |
2.4 指纹特征提取 |
2.5 指纹分类 |
2.6 指纹匹配 |
2.7 本章小结 |
3 指纹的预处理与特征提取 |
3.1 方向场与频率场 |
3.1.1 方向场计算 |
3.1.2 频率场计算 |
3.2 指纹图像分割 |
3.3 指纹图像质量评估 |
3.3.1 评估方法 |
3.3.2 实验结果分析 |
3.4 指纹图像的二值化与细化 |
3.4.1 二值化 |
3.4.2 细化 |
3.5 指纹奇异点的定位与提取 |
3.5.1 奇异点定位 |
3.5.2 奇异点提取 |
3.6 指纹细节点的检测与去伪 |
3.7 本章小结 |
4 基于三级分类特征的指纹分类检索方法研究 |
4.1 指纹分类方法研究 |
4.1.1 指纹分类方法总体思路 |
4.1.2 指纹分类研究目标 |
4.2 一级分类特征-指纹纹形 |
4.2.1 指纹纹型确定 |
4.2.2 实验结果分析 |
4.3 二级分类特征-脊线数 |
4.3.1 奇异点间脊线数的分布分析 |
4.3.2 脊线数计算 |
4.3.3 匹配时搜索方法与搜索半径确定 |
4.3.4 实验结果分析 |
4.4 三级分类特征-脊线平均周期 |
4.4.1 脊线平均周期的分布分析 |
4.4.2 脊线平均频率修正并计算周期 |
4.4.3 实验结果分析 |
4.5 指纹多级分类方法评价 |
4.5.1 准确率分析 |
4.5.2 效率分析 |
4.6 本章小结 |
5 指纹匹配 |
5.1 指纹模板检索 |
5.2 细节点局部结构匹配 |
5.2.1 基准点 |
5.2.2 精确匹配 |
5.3 验证模式匹配(1:1模式) |
5.4 辨别模式匹配(1:N模式) |
5.5 本章小结 |
6 基于分类特征的指纹识别系统设计与实现 |
6.1 系统平台整体设计 |
6.2 系统平台各功能模块 |
6.2.1 用户模块 |
6.2.2 指纹图像采集模块 |
6.2.3 指纹处理模块 |
6.2.4 识别模块 |
6.2.5 信息存储模块 |
6.3 准确率分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
个人简介 |
导师简介 |
致谢 |
(10)基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究课题的背景及意义 |
1.2 低质量指纹识别存在的难点和国内外研究动态 |
1.2.1 指纹图像采集 |
1.2.2 指纹图像预处理 |
1.2.3 特征提取 |
1.2.4 指纹识别 |
1.3 论文的主要工作和章节安排 |
第2章 图像增强方法 |
2.1 基于二维Otsu准则的自适应分数阶微分增强算法简介 |
2.1.1 分数阶微分的定义 |
2.1.2 分数阶微分对信号和图像的作用 |
2.1.3 分数阶微分掩膜的实现 |
2.1.4 自适应分数阶微分函数的推导 |
2.2 基于STFT滤波增强算法简介 |
2.3 本章小结 |
第3章 自适应分数阶微分耦合STFT的低质量指纹增强 |
3.1 基于二维Otsu准则的自适应分数阶微分的低质量指纹增强 |
3.2 基于STFT的低质量指纹增强 |
3.3 改进的耦合增强方法 |
3.3.1 实验验证 |
3.3.2 增强结果及分析 |
3.4 指纹图像的二值化和细化 |
3.4.1 局部自适应阈值二值化 |
3.4.2 基于改进的OPTA细化算法 |
3.5 本章小结 |
第4章 低质量指纹的特征提取 |
4.1 当前特征提取的方法 |
4.1.1 指纹特征 |
4.1.2 多种类型的指纹图像特征提取 |
4.2 Finger Code特征提取 |
4.3 邻域分析法特征提取 |
4.4 模板匹配法特征提取 |
4.5 细节点特征去伪处理 |
4.5.1 伪特征剔除 |
4.6 本章小结 |
第5章 基于深度学习的低质量指纹识别 |
5.1 卷积神经网络(CNN)算法简介 |
5.1.1 深度学习的概念 |
5.1.2 深度学习的常用方法 |
5.1.3 卷积神经网络结构 |
5.1.4 卷积神经网络的训练过程 |
5.2 指纹特征点模糊化处理 |
5.3 基于卷积神经网络的低质量指纹识别 |
5.3.1 基于LeNet的低质量指纹识别 |
5.3.2 基于Res Net的低质量指纹识别 |
5.4 实验结果及分析 |
5.5 本章总结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
四、一种基于方向场和细节特征匹配的指纹识别方法(论文参考文献)
- [1]应用PMOLED采集的小面积指纹图像识别方法研究[D]. 李思远. 西安科技大学, 2021(02)
- [2]低质量指纹图像识别算法的研究与实现[D]. 张晓欢. 哈尔滨理工大学, 2021(09)
- [3]改进的指纹方向信息提取算法研究与实现[D]. 满俊缨. 哈尔滨理工大学, 2021(09)
- [4]图形化指纹方向解析算法研究与实现[D]. 方红莉. 哈尔滨理工大学, 2021(09)
- [5]基于指纹和心电信号的双模态身份认证研究[D]. 马茹茹. 天津理工大学, 2021(08)
- [6]低质量小面积指纹识别[D]. 何致远. 浙江大学, 2021(01)
- [7]指纹识别系统的研究和实现[D]. 任毅. 南京邮电大学, 2019(03)
- [8]指纹信息提取技术分析与实现[D]. 张天良. 河南大学, 2020(02)
- [9]基于分类特征的指纹识别系统的研究与实现[D]. 郝培蓉. 北京林业大学, 2020(02)
- [10]基于自适应分数阶微分耦合STFT增强的低质量指纹图像识别研究[D]. 徐国庆. 太原理工大学, 2020(07)