针对掌纹图像在进行非接触式采集时易产生离焦模糊图像,从而导致系统识别性能降低的问题,提出了基于VO图像分解模型的模糊掌纹识别方法.首先建立高斯离焦退化模型模拟图像的模糊过程,通过对模糊原理的研究与分析得出在图像模糊过程中存在稳定的特征,这种特征从图像层次结构划分可表现为图像的结构层;然后使用VO图像分解模型得到模糊掌纹的结构层图像;为了提高特征的可区分性,采用分块的梯度方向直方图提取结构层中的稳定特征;最后采用归一化相关性分类器度量特征间的相似度.在清晰PolyU掌纹库和模糊PolyU掌纹库上进行测试的实验结果表明,该方法在不同掌纹库上获得较优的识别精度,且识别结果较为稳定;在模糊PolyU掌纹库中的等错误率最小可达0.309 1%,优于传统高性能掌纹识别方法;且进行一次身份辨识的时间小于1.3s,满足实时性要求,表明了该方法的有效性和优越性.
掌纹识别作为一种生物特征识别技术，因其独特性和稳定性在安全认证、个人身份验证等领域具有广泛应用。然而，在非接触式采集过程中，掌纹图像容易受到离焦模糊的影响，降低识别系统的性能。为解决这一问题，研究人员提出了基于VO图像分解模型的模糊掌纹识别方法。
该方法模拟了高斯离焦退化模型来描述图像模糊的过程。通过深入研究和分析，发现尽管图像模糊，但其结构层中的某些特征保持相对稳定。这些特征是掌纹图像的关键信息，可以在多层次的图像结构中被提取。
接着，利用VO（Variational Optics）图像分解模型对模糊的掌纹图像进行处理，旨在提取出其中的结构层图像。VO模型是一种有效的图像分析工具，能够将图像分解为不同的层次，以便更好地理解和处理图像的复杂特性。
为了进一步增强特征的可区分性，该方法采用了分块的梯度方向直方图（Block-based Gradient Orientation Histogram, GHO）。这种方法将图像划分为多个小区域，对每个区域内掌纹的边缘信息进行统计，形成方向直方图。这样的特征表示方式有助于捕获掌纹的局部细节，提高识别的准确性。
通过归一化相关性分类器来度量不同特征之间的相似度，实现掌纹的身份匹配。归一化相关性是一种衡量两个序列或图像之间相似性的统计方法，它能够有效地比较经过处理后的特征向量，以确定最佳匹配。
实验结果显示，该方法在清晰和模糊的PolyU掌纹数据库上都表现出较高的识别精度，尤其是在模糊图像上的识别效果优于传统的高性能方法，等错误率最低可达0.3091%。此外，该方法的实时性也得到了验证，身份识别时间小于1.3秒，满足实际应用的需求。
基于VO图像分解模型的模糊掌纹识别方法通过精确的图像处理和特征提取技术，有效地提升了模糊掌纹的识别性能，并确保了系统的实时性，证明了其在实际应用中的有效性和优越性。这对于改善非接触式生物特征识别系统的性能，特别是在低光照、距离远或环境复杂的条件下，具有重要的理论价值和实践意义。
