掌纹识别新方法：NMF结合GDA

"基于非负矩阵分解和广义判别分析的掌纹识别" 本文探讨了一种结合非负矩阵分解（Non-negative Matrix Factorization, NMF）和广义判别分析（Generalized Discriminant Analysis, GDA）的掌纹识别方法，旨在提高特征提取和分类的性能。NMF因其非负性和局部性的特性，被广泛应用于生物特征识别中的特征提取，特别是掌纹识别。然而，作为非监督学习算法，NMF在提取特征时不考虑样本的类别信息，这可能限制了其在分类任务中的表现。 为了克服这个问题，研究者提出了将NMF与GDA相结合的策略。GDA是一种统计分析方法，能够有效地整合类别信息，提升分类效率。在特征提取前，掌纹图像通过小波变换进行三级分解，以提取包含主要信息的低频子图像。随后，NMF和GDA在这些低频子图像上共同作用，提取出具有区分性的掌纹特征。通过计算特征向量之间的余弦距离，可以进行有效的掌纹匹配。 实验在PolyU掌纹图像库上进行，结果显示，该方法相比于传统的主元分析（PCA）、独立元分析（ICA）以及单纯的NMF方法，具有更低的等误率（Equal Error Rate, EER），达到了0.16%，并且特征提取和匹配的总时间仅为0.812秒，满足了实时系统的速度需求。这些结果表明，NMF与GDA的结合对于提升掌纹识别的准确性和效率是非常有效的。 该研究为掌纹识别提供了一个新的视角，即利用NMF的无监督特征学习能力与GDA的监督分类能力相结合，以增强特征的类别相关性和分类性能。这种方法不仅在理论上具有创新性，而且在实际应用中也显示出了良好的性能，对于生物特征识别领域的研究和发展具有重要的参考价值。