小波变换与分块统计在掌纹识别中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (24): 17-19.

小波变换与分块统计在掌纹识别中的应用

刘玉芹1，2，苑玮琦1，郭金玉2

1.沈阳工业大学视觉检测技术研究所，沈阳 110870
2.沈阳化工大学信息工程学院，沈阳 110142

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-21 发布日期:2011-08-21

Application of wavelet transform and block statistic to palmprint recognition

LIU Yuqin1，2，YUAN Weiqi1，GUO Jinyu2

1.Computer Vision Group，Shenyang University of Technology，Shenyang 110870，China
2.School of Information Engineering，Shenyang University of Chemical Technology，Shenyang 110142，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-21 Published:2011-08-21

摘要/Abstract

摘要： 用于身份鉴别的掌纹识别为信息安全提供了一种新的方案。提出一种变换域和统计域相结合的掌纹识别方法。对掌纹感兴趣区域（ROI）进行中值滤波再多级小波分解，对所有的高频子图像进行分块，求取每一子块高频系数的均值和方差，它们的组合构成该图像的特征向量，利用简单的最近邻分类器进行分类。运用UST掌纹图像库，对该算法进行了测试。从识别率为95.5%的实验结果看，该方法优于目前在掌纹识别上使用较多的子空间法。

关键词: 生物特征识别, 掌纹识别, 小波变换, 分块统计, 高频系数

Abstract: Palmprint recognition for identification provides a new scheme for information security.This paper presents a combination method of transform domain and statistic domain for palmprint identification.The method filters Region Of Interest（ROI） of the palmprint with median filtering and decomposes it into several sub-images with the wavelet transform.Then it blocks the high-frequency sub-image.The mean and the variance of high-frequency coefficients for each sub-block are found.Their combination constitutes feature vector for the image.The nearest neighbor classifier is used to classify the images.The method is tested on the basis of UST palmprint image database.From the experimental result of 95.5% recognition rate，the method is better than the sub-space methods that are used for palmprint identification at present.

Key words: biometrics recognition, palmprint recognition, wavelet transform, block statistic, high-frequency coefficients

刘玉芹1，2，苑玮琦1，郭金玉2. 小波变换与分块统计在掌纹识别中的应用[J]. 计算机工程与应用, 2011, 47(24): 17-19.

LIU Yuqin1，2，YUAN Weiqi1，GUO Jinyu2. Application of wavelet transform and block statistic to palmprint recognition[J]. Computer Engineering and Applications, 2011, 47(24): 17-19.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[5]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[6]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[7]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[8]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[9]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[10]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[11]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[12]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[13]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[14]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.
[15]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.