掌纹诊病的精细纹路识别与提取方法
根据掌纹中特征的表示以及匹配方法, 可大致将掌纹识别方法分为四个类别, 分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法. 此外, 我们还列出了一些不属于这些类别的方法.
2.1 基于结构的方法
基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法. 这一类的方法主要由两部分组成: 1) 提取掌纹中的纹线特征; 2) 纹线特征的有效表示和匹配. 线特征的有效表示主要是指便于匹配, 并且占用尽可能少的存储空间. 对于特征的提取, 较多使用的是各种线检测算子以及边缘检测算子; 对于特征的表示, 主要是采用直线段或特征点代替掌纹纹线; 而特征的匹配大多采用特征点之间的欧氏距离或 Hausdor® 距离, 以及用于线段匹配的 Hausdor® 距离等.
2.2 基于统计的方法
基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法, 可进
拿走一步分为基于局部统计量和全局统计量的方法. 其中基于局部统计量的方法需要将图像分成若干小块, 之后统计每块的均值和方差等统计信息, 最后连接为表示整个掌纹的特征向量; 而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征. 匹配时ws, 一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.
2.3 基于子空间的方法
子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换, trip将其转化为低维向量或矩阵, 并在此低维空间下对掌纹表示和匹配. 根据投影或变换的性质, 子空间方法可以分为线性子空间方法和非线性子空间方法. 目前应用较为广泛的是线性子空间方法, 主要包括独立成分分析 (Independent component analysis, ICA)、主成分分析 (Principal component analysis, PCA)、 线性判别分析(Lineardiscriminant analysis, LDA) 等. 与前两类方法不同, 基于子空间的方法大都需要对每个类别的掌纹图像构造训练集, 在该训练集上计算最优的投影向量或矩阵, 并将投影后的向量或矩阵作为该类掌纹的特征. 在识别阶段, 首先对待测掌纹图像作相同投影或变换, 之后采用最近邻或最近特征线 (Nearestfeature line, NFL) 分类器分类. 基于子空间的方法已成功地应用于人脸识别, 移植到掌纹识别后也取得了很好的效果.
2.4 基于编码的方法
基于编码的方法是指先用滤波器对掌纹图像滤波, 之后根据某些规则将滤波后的结果进行编码的方法. 通常特征都按照比特码的形式存储, 果汁英语对得到的特征码多采用二进制的 \与" 或者 \异或" 计算相似度. 该类方法主要包括三个核心部分: 滤波器的选择(Gabor, 高斯, 高斯的导数), 编码规则 (最大值izi, 序数关系), 以及匹配方式 (点对点, 点对区域).
总的来说, 基于结构的方法识别精度低, 特征所需的存储空间大, 而且匹配速度慢; 基于编码的方法识别精度高, 特征小, 而且匹配速度快, 是各类方法中最具有优势的一类; 而基于统计的方法和基于子空间的方法的识别精度和识别速度介于两者之间.
下面介绍几种识别方法：
一、 《Latent Palmprint Matching》提出的潜掌纹 (Latent palmprint) 识别方法针对部分掌纹与全部掌纹间匹配的特点, 提出了以细节点码 (Minutia code)作为局部特征, 先进行局部匹配, 再进行全局匹配的方法.
二、 《基于非采样Contouriet变换与局部二值模式的掌纹特征提取》提出了一种对掌纹图
像的平移、旋转和光照鲁棒的掌纹识别算法，即基于非采样的Contourlet与L即结合的掌纹特征提取算法。
该方法是一种基于NSCT变换(Non subsampled Contourlet Transform，NSCT)与局部二值模式(Local binary pattern，LBP)相结合的掌纹特征提取算法。该方法能够较好的提取皱褶、乳突纹等掌纹的细节特征并且能够有效减少掌纹识别中由于图像的平移、旋转和光照对识别结果造成的影响。使用NSCT变换可以稀疏的表示二维奇异曲线并且变换本身具有平移不变性;而LBP算子是一种有效的纹理描述算子并且该算子具有很好的灰度和旋转不变性。该方法首先对掌纹图像进行NSCT变换，然后对变换后的掌纹子图提取局部多分辨率和多尺度的LBP特征。
实验结果表明该算法能够更好的表达掌纹纹线的细节和结构特征，对掌纹图像有更高的鉴别性。
三、 zimmerman《 Min Max Threshold Range (MMTR) Bad Approach in Palmprint Authentication by Sobel Code Method 》提出索贝尔-掌纹特征提取存储在索贝尔-掌纹特征向量里面和使用汉明距离相似性度量方法匹配。此外，最小最大阈值范围（MMTR）方法提出，通过匹
配具有多个阈值的人在提高整体系统的准确性有帮助。
在这种技术中，首先人是通过全球范围内使用参考阈值被认证的。其次，人是在地方一级使用最小和最大射程验证门限定义为一 的人。一般来说，个人身份验证是使用参考门槛但也有错误接受的机会。因此，通过使用 最小和最大阈值虚假接受个人层面人的范围，一个人被确定为虚假或真正接受 接受。 MMTR是一种有效的技术，通过减少误判的掌纹的身份验证系统的准确性率（FAR）。
实验结果表明，该方法使误判率大幅下降。
四、 《Palmprint Feature Extraction Using Weight Coding Bad Non-negative SparCoding》一种新的掌纹特征提取方法，提出了利用权重编码的非负稀疏编码。该算法模型在各自的领域V1的大脑的初级视觉系统。
该算法包括较早期的图像信息非负稀疏编码。利用该算法，掌纹图像的特征向量可以依据成功的经验教训。这些功能的行为所在地，定位，和空间的选择，这是类似相关领域V1的功能，在视觉皮层。此外，使用的功能提取，掌纹重建工作才能顺利实施。
此外，与其他掌纹特征提取方法，仿真结果表明该方法这里提出确实有效并且有效的履行掌纹图像特征提取的任务。
五、 《3-D Palmprint Recognition With Joint Line and Orientation Features》三维掌纹识别的提出更进一步提高掌纹系统的性能。
本文提出了一种三维掌纹识别简单而有效的方案。经过计算和提高三维掌纹的平均曲率形象数据，我们从中提取两线和方向的功能。的两种类型功能， 然后在任评分融合特征级水平或为最后的3 - D掌纹识别。
在香港理工学院实验大学的3 - D掌纹数据库，其中包含8000个样本400手掌表明，所提出的特征提取及融合方法都可能导致向好表现。
六、 《Palmprint Recognition using Rank Level Fusion》本文研究了一种用于个人使用的多级掌纹交涉水平组合识别新方法。
aisi我们提出了一个新的非线性秩级融合方法，提出了秩级融合方法相结合，可在多生物特征融合比较有用的研究。从另一方面生物特征资料的真实对比实验结果，评估/确定的等级水
平组合使用（一）Borda计数，（二）Logistic回归/加权Borda计数，（三）最高等级的方法（四）巴克林方法介绍。
我们在本文提出的实验结果表明，相比与个人表示的掌纹。在识别精度显着的性能改善可以达到的
七、 《Bi-Dierectional PCA with Asmbled Matrix Distance Metric》 主成分分析（PCA）已在图像识别非常成功。最近基于PCA为基础的方法的研究主要集中在两个问题上，特征提取和分类。
在本文中我们提出了组合矩阵距离双向常设仲裁法院（BDPCA）（AMD）的指标，以同时处理这两个问题。
特征提取，我们提出了一个BDPCA的做法，可以降低原始图像中的列和行的方向矩阵的维数。分类，我们提出了一个AMD的度量来计算两个特征矩阵之间的距离。
我们的实验结果表明，与AMD度量BDPCA图像识别是非常有效的。
八、 《ICP REGISTRATION USING PRINCIPAL LINE AND ORIENTATION FEATURES
医生 英文FOR》图像对齐是一个掌纹识别的关键步骤。当前的关键点为基础掌纹预处理方法，但是只能提供粗对准。提取感兴趣的区域（ROI）的旋转往往造成真正的匹配失败。
为了解决这个问题，在本文中我们提出前使用的特征匹配迭代最近点（ICP）的比对算法的掌纹。同时使用掌线和过滤器的高阶可操纵方向特征提取，该方法具有收敛速度快，精度高的登记，这大大提高了检定精度的结果。
香港理大掌纹数据库的实验结果证明了该方法的有效性。
九、 《A robust method to extract features from palm image》提出了一种基于低分辨率彩色图像的鲁棒的掌纹图像特征提取方法．采用均值平移算法对彩色图像帧中像素进行聚类，应用Ostu二值化方法分割出手掌，并提取出有效掌纹区域．采用KLT角点检测算法提取出有效掌纹区域内的特征点，给每个特征点赋予方向，并根据局部区域特征构造方向不变的特征向量，所有特征点及其特征向量的集合构成了掌纹图像特征．
高级口译口试在识别时只须在两个特征点集之间查找匹配对应，并通过随机采样一致性检验最大一致集中内点个数是否大于自适应域值来确定两个手掌是否匹配．利用该算法对网络摄像头采集的手掌样本进行了实验测试，获得了较高的识别精度与性能．该算法对手掌的距离、方向
、姿势没有特殊要求，是一种鲁棒高效的掌纹图像特征提取方法．
十、 《Texture Bad Palmprint Identification Using DCT Features》在掌纹识别原则，利用更多的信息比线路或其他应用程序的细节非常有帮助的。
在本文中我们提出了离散余弦变换（节哀顺变英文DCT）的特征向量代表和匹配的掌纹，并与DFT和小波变换。在这里，大小128x128掌纹图像的中心部分是调整到64x64大小的非重叠成四个子图像分割。该转换应用于每个子图像无需任何预处理，直接。除以转换细分为九个区块的形象，标准差是计算每个块等共36个（9x4= 36）的标准差将形成特征向量。这个特征向量用于匹配阶段。共10每人图片取自标准数据库。准备训练集与K图像的帮助，其中k从1变化到8。
