模糊掌纹识别：基于Vese-Osher分解的稳定特征提取

"本文介绍了一种基于Vese-Osher分解模型的稳定特征提取方法，用于模糊掌纹识别。研究中，作者建立了高斯散焦退化模型以模拟图像模糊，并发现即使在模糊状态下，图像中仍存在稳定的特征。通过VO分解模型，可以将模糊的掌纹图像分离为结构层和纹理层，其中结构层在不同模糊程度下保持稳定。为了从结构层中提取这些稳定特征，提出了基于方向梯度的加权鲁棒性直方图（WRHOG）算法。最后，通过归一化的相关系数来衡量特征的相似性，实现模糊掌纹的识别。实验结果表明，该方法在两个掌纹数据库上的表现优于先前的高性能方法，具有较高的识别准确性和较低的计算时间。" 在这篇研究论文中，作者针对非接触式设备捕获掌纹时产生的图像模糊问题，提出了一种创新的解决方案。他们首先构建了一个高斯散焦退化模型，以模拟模糊图像的形成过程。通过对不同模糊程度的图像进行分析，他们发现尽管图像整体模糊，但仍然存在一些稳定的特征。 接着，文章引入了Vese-Osher（VO）分解模型，这是一种图像分割技术，能将图像分解为结构和纹理两部分。在模糊掌纹图像中，结构层被认为在各种模糊状态下保持稳定，这为特征提取提供了基础。为了有效地从结构层提取这些稳定特征，作者设计了一种名为WRHOG的新算法，它结合了方向梯度和权重，增强了对模糊图像的鲁棒性。 WRHOG算法的运用，使得从模糊的掌纹图像中获取识别特征成为可能。通过比较这些特征的归一化相关系数，可以确定两个掌纹之间的相似性，从而实现识别。实验结果验证了结构层在不同模糊程度下的稳定性，并表明WRHOG方法在区分模糊掌纹方面表现出色，且具有较高的识别准确率。 论文中，作者使用了两个掌纹数据库（PolyU和Blurred-PolyU）进行测试，证明了所提方法在实际应用中的效果。相比于其他高性能方法，其错误率低至0.132%，并且认证时间少于1.3秒，这表明该方法不仅识别效果好，而且处理速度快。 这项研究为模糊掌纹识别提供了一种新的、有效的方法，为非接触式生物识别系统在实际环境中的应用开辟了新的可能性，尤其是在处理因设备或环境因素导致的图像质量下降的情况。