鲁棒主元分析在掌纹识别中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (19): 8-10.

鲁棒主元分析在掌纹识别中的应用

郭金玉，刘玉芹

沈阳化工大学信息工程学院，沈阳 110142

出版日期:2012-07-01 发布日期:2012-06-27

Application of robust principal component analysis to palmprint recognition

GUO Jinyu, LIU Yuqin

College of Information Engineering, Shenyang University of Chemical Technology, Shenyang 110142, China

Online:2012-07-01 Published:2012-06-27

摘要/Abstract

摘要： 为了对存在异常值的图像构建低维线性子空间的描述，提出用鲁棒主元分析（RPCA）的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数，在低维图像上应用RPCA提取低维的投影向量，然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征，计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试，结果表明，与主元分析（PCA）、独立元分析（ICA）和核主元分析（KPCA）相比，RPCA算法的识别率最高为99%，特征提取和匹配总时间0.032 s，满足了实时系统的要求。

关键词: 掌纹识别, 主元分析, 独立元分析, 核主元分析, 鲁棒主元分析

Abstract: In order to construct low-dimensional linear-subspace representations from the data containing outliers, a new palmprint recognition method based on Robust Principal Component Analysis（RPCA） is proposed. The image down-sample is firstly used to reduce palmprint space dimensionality. The RPCA is applied to extract the low projection vectors. Then the training images and test images are projected onto the projection vectors to get the robust principal component feature vectors. Finally, the cosine distance between two feature vectors is calculated to match palmprint. The new algorithm is tested in PolyU plmprint database. The results show that compared with Principal Component Analysis（PCA）, Independent Component Analysis（ICA） and Kernel Principal Component Analysis（KPCA）, the recognition rate of the new RPCA algorithm is the highest up to 99%, and all the time for feature extraction and matching is 0.032 s, so it meets the real-time system specification.

Key words: palmprint recognition, Principal Component Analysis（PCA）, Independent Component Analysis（ICA）, Kernel Principal Component Analysis（KPCA）, Robust Principal Component Analysis（RPCA）

郭金玉，刘玉芹. 鲁棒主元分析在掌纹识别中的应用[J]. 计算机工程与应用, 2012, 48(19): 8-10.

GUO Jinyu, LIU Yuqin. Application of robust principal component analysis to palmprint recognition[J]. Computer Engineering and Applications, 2012, 48(19): 8-10.

[1]	李果，马春阳，马建晓. 基于DPCA和改进证据理论的融合式故障诊断[J]. 计算机工程与应用, 2019, 55(20): 197-201.
[2]	邓清文，林志贤，郭太良. 一种基于主成分的多表图像哈希检索方法[J]. 计算机工程与应用, 2018, 54(3): 192-199.
[3]	陈飞宇1，阮鲲2，胡友彬1，曹磊3. 基于KPCA光谱特征约束的水边线提取算法[J]. 计算机工程与应用, 2018, 54(11): 171-177.
[4]	陈熙1，2，张戈1. 基于非高斯二维Gabor滤波器的生物特征提取算法[J]. 计算机工程与应用, 2017, 53(18): 170-175.
[5]	郑英，符冉迪，金炜，周颖. 改进Contourlet变换的3D掌纹图像识别[J]. 计算机工程与应用, 2016, 52(8): 169-173.
[6]	彭晏飞，周南，林森. 改进的SLTP方法在掌纹识别中的应用[J]. 计算机工程与应用, 2016, 52(5): 179-184.
[7]	陶筱娇，王晅. 基于SURF特征与模糊推理的掌纹识别[J]. 计算机工程与应用, 2016, 52(1): 185-189.
[8]	吴婕1，任江涛2. 基于子空间特征融合的两级掌纹识别算法[J]. 计算机工程与应用, 2015, 51(11): 175-178.
[9]	韩建栋，温静. 结合PCA与HEIV的椭圆目标检测算法[J]. 计算机工程与应用, 2014, 50(9): 1-4.
[10]	张愉1，童敏明2，尚丽1. 特征维数和分类器参数统一优化选择的掌纹识别[J]. 计算机工程与应用, 2014, 50(23): 167-171.
[11]	唐勇波. 改进特征样本方法的KPCA变压器故障检测模型[J]. 计算机工程与应用, 2014, 50(21): 4-7.
[12]	彭必灿，张正道. 基于稀疏主元分析的过程监控研究[J]. 计算机工程与应用, 2014, 50(18): 240-245.
[13]	薛延学，刘一杰，刘超，白晓辉. 一种改进的BDPCA掌纹识别方法[J]. 计算机工程与应用, 2014, 50(15): 150-152.
[14]	郭小芳1，李锋2，叶华1. 基于B+-tree索引的多元时间序列相似查询[J]. 计算机工程与应用, 2013, 49(22): 139-142.
[15]	马先喜，彭力，徐红. 基于PCA的拉普拉斯金字塔变换融合算法研究[J]. 计算机工程与应用, 2012, 48(8): 211-213.