NSST与Tetrolet能量特征提升指关节纹识别鲁棒性

本文主要探讨了一种创新的指关节纹识别方法，该方法旨在解决现有技术在鲁棒性方面的不足。研究者采用了非下采样的Shearlet变换（NSST）和Tetrolet能量特征来增强识别性能。首先，为了应对光照分布不均对识别系统的影响，他们利用直方图均衡化对输入的指关节纹图像进行预处理，这有助于改善图像的对比度和整体视觉质量。 接着，NSST被用来对图像进行去噪和重构，通过其逆变换进一步提取出图像的低频成分。Tetrolet变换则在此基础上被应用，目的是构建低频图像的能量曲面，这种能量曲面能够有效地捕捉到指纹纹理的内在结构信息，因为Tetrolet变换能够在多尺度上同时捕捉到局部和全局特征。 在后续步骤中，研究者对不同指关节纹图像的能量曲面进行差异分析，生成能量差曲面，然后计算曲面的方差作为区分不同指纹的重要特征。这一过程利用了能量特征的稳定性，使得即使在噪声环境下也能保持较高的识别精度。 实验结果显示，在HKPU-FKP、IIT Delhi-FK和HKPU-CFK等多个公开图库以及噪声图库中，该方法表现出优异的性能。具体来说，正确识别率达到98.0392%，识别时间最快只需0.0497秒，误识别率最低达到2.5646%，这表明了该方法在提高指关节纹识别效率和准确性方面具有显著优势。 与其他现有方法相比，这种方法不仅提高了识别的鲁棒性，还展示了更高的识别精度和更快的速度，从而证明了其在实际应用中的可行性与有效性。因此，基于NSST和Tetrolet能量特征的指关节纹识别技术为生物识别领域提供了一个新的强有力工具，有望在安全认证、设备解锁等领域发挥重要作用。