基于低分辨率彩色图像的鲁棒掌纹特征提取

"鲁棒的掌纹图像特征提取方法 (2009年)，浙江大学学报(工学版)，堂乐庆，陈文智，幸锐气，张三元" 本文详细介绍了2009年发表的一种针对低分辨率彩色图像的鲁棒掌纹图像特征提取方法，主要应用于掌纹识别技术。研究者首先使用均值平移算法对彩色图像中的像素进行聚类处理，这一过程有助于消除图像噪声和增强掌纹细节。接着，通过Ostu二值化方法将手掌从背景中分割出来，有效地提取出掌纹区域。 在有效掌纹区域确定后，论文采用了KLT（Kanade-Lucas-Tomasi）角点检测算法来找出掌纹上的关键特征点。这些特征点对于掌纹识别至关重要，因为它们代表了掌纹的独特模式。每个特征点被赋予一个方向，这是通过分析其周围局部区域的特征来确定的。为了构建方向不变的特征向量，这些方向信息被用于描述特征点周围的纹理变化。所有特征点及其对应的特征向量构成了一组完整的掌纹图像特征。 在识别阶段，该方法只需在两个不同的掌纹特征点集之间寻找匹配对应。采用随机采样一致性（RANSAC）算法进行匹配验证，通过检查最大一致集中内点的数量是否超过预设的自适应阈值，来判断两个手掌图像是否匹配。这种基于RANSAC的匹配策略能够有效地排除由噪声和不完全对准导致的错误匹配。 实验证明，该算法在使用网络摄像头采集的掌纹样本上表现出高识别精度和性能。值得注意的是，这种方法对掌纹的距离、方向和姿势没有特殊要求，因此具有很好的鲁棒性和实用性。文章的实验结果验证了该方法的有效性，并强调了其在实际应用中的潜在价值。 关键词：掌纹识别，均值平移，Ostu，角点检测，随机采样一致性（RANSAC） 中图分类号：TP391.41 文献标志码：A 文章编号：1008-973X(2009)08-1412-07 这篇2009年的论文提出了一种创新且高效的掌纹识别特征提取技术，它结合了多种图像处理和模式识别方法，包括均值平移、Ostu二值化、KLT角点检测和RANSAC算法，为低分辨率彩色掌纹图像的识别提供了可靠的解决方案。