基于限制融合的掌纹识别新方法

本文主要探讨了"掌纹识别中的受限融合方法"。在当前的生物识别领域，尤其是掌纹识别技术，作为一种独特的个体特征，因其稳定性和难以复制性而受到广泛关注。作者们提出了一种创新的掌纹识别策略，该策略采用了融合策略来提高识别的准确性和效率。 在第一种融合方案中，研究者首先对测试图像中的主线条进行提取，这是识别过程中至关重要的一步，因为主线条反映了掌纹的基本结构和模式。然后，通过与所有训练图像的匹配，找出匹配度较高的图像，这些高匹配度的图像被用于构建一个小型的训练子数据库。这种方法旨在减少计算量，同时保留最具有代表性的训练样本。 接着，决策级融合是该方法的核心部分。它结合了主线条匹配得分和局部保持投影（Locality Preserving Projections, LPP）特征。LPP是一种降维技术，能够保留数据之间的局部相似性，这对于处理高维掌纹特征非常有效。通过这种融合，可以综合考虑两种特征的信息，提高了识别系统的鲁棒性和准确性。 决策级融合意味着在识别阶段，算法会根据主线条匹配和LPP特征的权重，综合判断测试样本与训练样本的关系。这有助于减少误识别的可能性，特别是在复杂和噪声环境中，因为不同的特征可能对不同类型的干扰有不同的抵抗能力。 本文提出的掌纹识别受限融合方法通过精心设计的预处理步骤和特征选择，以及融合不同特征的决策策略，提供了一种有效的生物识别解决方案。这种融合方法对于实际应用中的掌纹识别系统具有重要的理论价值和实践意义，因为它在保证识别性能的同时，优化了资源利用和计算效率。未来的研究可能进一步探索如何优化融合参数，以适应更大规模和多样化的掌纹数据库。