多光谱掌纹识别与RGB-深度图像融合在不同领域的应用研究

### 多光谱掌纹识别与RGB - 深度图像融合在不同领域的应用研究 #### 多光谱掌纹识别实验 在多光谱掌纹识别研究中，采用了CASIA多光谱掌纹数据库，该数据库包含了通过非接触式传感器在六种不同光谱波段（460、630、700、850、940nm以及白光）下采集的低分辨率手部图像。 - **实验设置**： - 将数据集分为两个图库，随机选取33%（400张图像）用于注册，其余67%（800张图像）用于各种测试（识别）。在识别测试中，使用测试图库中的所有图像得到40,400个结果，其中800个分数用于真实体验，其余39,600个用于冒名体验。 - 实验结果分为两部分：第一部分是为学习手工特征提取技术选择最佳参数（每个图像中的区域数量、像素邻域大小和码本大小）；第二部分是在开放集和封闭集两种识别模式下测试所提出的生物识别系统。 - **参数测试**：为提高基于CBD的多光谱掌纹识别系统的性能，测试了两个重要参数，即像素邻域大小（R）和投影矩阵长度（bin），以适应所使用的数据库。每次改变上述参数的值，然后计算等错误率（EER）。从表1可以看出，两个CBD参数在所有光谱波段都能给出较好的结果，最高EER不超过1%（在850nm光谱波段，阈值To等于0.6538时，EER = 0.994%）。同时，改变图像内的区域数量（从1到16）和码本大小（从25到500，步长为25），结果表明9个区域和大小为100的码本足以实现更好的性能。 | Bands | Window = 15 × 15 (R = 7) | | | Window = 19 × 19 (R = 9) | | | | --- | --- | --- | --- | --- | --- | --- | | | BIN = 19 | BIN = 23 | BIN = 25 | BIN = 19 | BIN = 23 | BIN = 25 | | | To | EER | To | EER | To | EER | To | EER | To | EER | To | EER | | 850nm | 0.6140 | 1.298 | 0.6577 | 1.196 | 0.6844 | 1.018 | 0.6194 | 1.307 | 0.6168 | 1.375 | 0.6538 | 0.994 | | 940nm | 0.7047 | 0.485 | 0.6651 | 0.678 | 0.6740 | 0.750 | 0.6592 | 0.500 | 0.6998 | 0.409 | 0.6530 | 0.625 | | white | 0.7118 | 1.157 | 0.6980 | 0.875 | 0.7260 | 0.250 | 0.6884 | 1.000 | 0.7356 | 0.921 | 0.711 | 0.875 | - **方法对比**： - 将CBD方法（使用先前选择的最佳参数）与两种有前景的LBP变体（TP - LBP和FP - LBP）进行比较。在开放集识别模式下，对于850nm、940nm和白光光谱波段，CBD方法分别可获得0.994%（To = 0.6538）、0.409%（To = 0.6998）和0.250%（To = 0.7260）的EER。与TP - LBP和FP - LBP相比，分别实现了约77.78%和84.62%的改进。 - 在封闭集识别模式下，仅对白光光谱波段进行测试。通过应用先前获得的最佳CBD参数，计算了一级识别率（ROR）和完美识别排名（RPR）值。结果表明，CBD方法的ROR为97,000%（RPR = 72），而TP - LBP和FP - LBP的ROR分别为98,500%（RPR = 93）和98,625%（RPR = 44）。 | Methods | Open - set identification | | | Closed - set identification | | | | --- | --- | --- | --- | --- | --- | --- | | | 850nm | 940nm | WHITE | 850nm | 940nm | WHITE | | | To | EER | To | EER | To | EER | ROR | RPR | ROR | RPR | ROR | RPR | | FP - LBP | 0.2569 | 6.798 | 0.2962 | 4.750 | 0.2451 | 1.625 | 71.505 | 92 | 81.124 | 89 | 93.500 | 65 | | TP