特点和优点，使其适用于作为一种人体独特的生物特征来进行的身份认证[10~12]。

1。2 指关节纹特征识别技术简介

1。2。1 生物特征的特点

1。2。2 指关节纹特征的发展

1。2。3  生物特征识别系统模式

1。3 本文主要研究的内容

本文就鉴别局部主方向直方图特征提取方法进行了研究和介绍，并在毕业设计程序中用

C++程序语言以及 Opencv 实现了这个算法。 本文总共分为四章进行讨论。

第一章 绪论，主要介绍了课题研究的背景，生物特征的特点、指关节纹特征的发展和生 物特征识别工作流程进行了简要的介绍。

第二章 主要介绍鉴别局部主方向直方图特征提取方法，以及实现这个算法所需要的基础 算法。

第三章 主要介绍鉴别局部主方向直方图特征提取方法在 PolyU 指关节纹数据库检测的结 果，及其对实验结果进行分析。

第四章 主要介绍实现指关节纹识别的程序

本科毕业设计说明书 第 5 页

2 鉴别局部主方向直方图(D-HLDO)

2。1 介绍

在以前的研究中，如尺度不变的特征转换法[3~4]、方向梯度直方图法[5]、以及韦伯局部描

述[7]法，在观察中发现这些算法中，梯度方向上的每个像素都在特征提取中起着重要的作用。 并由于局部梯度对于噪声和亮度的变化很敏感，通过局部梯度直接被计算出的方向就不是很

可靠。而基于鉴别局部主方向直方图的生物图像特征提取方法[2（]论文网

Discriminative Histograms of

Local Dominant Orientation，D-HLDO）具有较好的稳健性，该方法首先通过，主成分分析的 方法来获得健壮的局部主方向，局部主方向和相应的能量展示了局部结构角度信息、纹理信 息、点信息等。然后，主方向图和相关能量图被分成几个覆盖的区域，通过累计不同主方向 上相关能量来获得每个区域的一维直方图。这个混合的直方图形成了一个包含图像结构上和

空间上的高维特征向量。最后，利用局部均值的最近邻鉴别分析（LM-NNDA）[6]获取低维度 的鉴别特征。

图 2。1 算法的基本流程

在本文实现 D-HLDO 算法的过程中最后使用了与原论文中所提到的不同的降维方法，我 采用的降维方法是，先用 PCA 进行降维，再用 LDA 进行降维，最后来获取一个低维的鉴别 特征。

2。2 主成分分析法（PCA）在局部方向评估的应用

在该算法研究中，引入了基于主成分分析法来评估局部梯度方向。主成分分析法也被称 为卡南－络维变换。它提供了一组最佳基向量来代表在最小均方近似误差下所给定的数据和 结果。主成分分析法的结果可以由数据矩阵的协方差矩阵的特征值分解得到或者通过奇异值 分解来得到，在这个算法里应用了奇异值分解的方法。

第 6 页 本科毕业设计说明书

2。2。1 奇异值分解

在图像处理过程中，对方阵可以利用特征值分解进行矩阵特征的提取，而当我们要处理 的矩阵不是方阵时，就要用到奇异值分解（Singular Value Decomposition）。奇异值分解也是 一种既适用于方阵也适用不是方阵的矩阵进行矩阵特征提取的方法。

假设 A 是一个 m n 的矩阵，那么利用奇异值分解得到的 U 是 m m 的方阵（其中 U 中的 向量是正交的， U 中的向量为左奇异向量）， Σ 是一个 m n 的矩阵（ Σ 对角线上的元素称为 奇异值），VT 是一个 n n 的矩阵（其中 VT 里面的向量也是正交的，VT 中的向量为右奇异向量）， 分解形式如下面的公式（2。1）。