專利名稱：基于方向特征的掌紋識別方法
所屬領(lǐng)域 本發(fā)明涉及一種利用人體生物特征進行身份認證的方法，特別涉及一種基于方向特征的掌紋識別方法。
背景技術(shù)：
網(wǎng)絡(luò)信息化社會中，迫切要求能夠?qū)θ说恼鎸嵣矸葸M行有效鑒別。傳統(tǒng)的身份鑒別方法主要有兩種一是基于密碼的安全機制；二是基于證件的安全機制。但是，這些傳統(tǒng)的確認機制有其固有的弊端。例如，多個密碼難以記憶并且容易遺忘；證件容易被偽造、被盜取以及丟失等。所以，人們期待著使用更為安全、更為方便的身份認證方式。
近十幾年來，基于人體生物特征的身份認證技術(shù)(Biometrics)越來越受到人們的重視。所謂生物特征識別技術(shù)是指利用人體本身所固有的物理特征或者行為特征，通過圖像處理、模式識別等方法來鑒別個人身份的技術(shù)。與傳統(tǒng)的基于密碼或ID卡的身份認證方式相比，它能隨身攜帶、難以偽造而且不用記憶，因此具有更好的安全性、可靠性和有效性。目前，生物特征識別技術(shù)中研究的物理特征主要有指紋、人臉、虹膜、掌紋、手形、耳紋以及靜脈等；研究的行為特征主要有筆跡、聲音、步態(tài)以及擊鍵等。在上述研究中，基于指紋的身份鑒別是最早、也是最為成熟的一種方法，但指紋的易磨損性和易破壞性在一定程度上限制了該方法的進一步推廣?；诤缒ず徒悄さ纳矸蓁b別方法雖然具有識別率高等優(yōu)點，但也存在著設(shè)備昂貴、用戶接受性差等缺陷。人臉和聲音也是生物特征識別技術(shù)的研究熱點，但由于光照條件、人臉的姿態(tài)、噪音等因素的影響，其準確率也難以讓人滿意人的掌紋具有唯一性和終身基本不變的特性，和指紋相比，掌紋的區(qū)域大的多，具有更豐富的紋理信息，掌紋圖像的獲取也更加容易。最近幾年，基于掌紋識別的生物特征識別技術(shù)研究也受到了廣泛關(guān)注。
早期的掌紋識別是脫機處理的，采集掌紋是使用墨水按捺手掌在白紙上，然后使用數(shù)碼相機、掃描儀等獲取數(shù)字圖片。然而，脫機掌紋識別應用于身份認證工作中，存在很多缺點。首先，它不是實時性的，而大部分的實際應用是要求能夠在線實時識別；其次，油墨掌紋圖像質(zhì)量不高，特征無法被高質(zhì)量的表現(xiàn)；再次，在脫機圖像中，掌紋的ROI(Regionof Interest)區(qū)域難以有效定位。2002年后，國際上掌紋識別研究逐漸轉(zhuǎn)移到在線掌紋識別上來。在線掌紋識別與脫機掌紋識別最大的區(qū)別就是使用數(shù)碼設(shè)備直接獲取較高質(zhì)量掌紋圖像，能實時處理。其中，以研究為目的的相關(guān)論文中，獲取掌紋圖像的常用設(shè)備為CCD相機、數(shù)字掃描儀等。這里特別要指出的是香港理工大學生物特征識別中心計了一個專用的掌紋獲取設(shè)備，獲得了中國第14屆發(fā)明展覽會金獎。
在國際國內(nèi)的論文數(shù)據(jù)庫庫中，可以檢索到100多篇掌紋識別方面的論文?？偟膩碚f，所提出的掌紋識別方法可以被劃分為如下幾類(1)基于紋理特征的方法。此類方法把掌紋圖像看成是一種紋理結(jié)構(gòu)，使用相關(guān)方法提取掌紋的紋理特征進行識別。D.Zhang與A.Kong等提出的PalmCode是一種經(jīng)典的基于紋理的掌紋識別方法，它使用Gabor濾波器對掌紋圖像進行濾波，然后應用過零點準則對掌紋圖像進行編碼[參考文獻D.Zhang，W.K.Kong，J.You，and M.Wong，“Onlinepalmprint identification，”IEEE Transactions on Pattern Analysis and MachineIntelligence，25(9)(2003)，pp.1041-1050.]。隨后A.Kong等使用信息融合技術(shù)對PalmCode進行了改進提出了FusionCode，識別率得到進一步的提高[參考文獻A.Kong，D.Zhang，and M，Kamel，“Palmprint identificationusing feature-level fusion，”Pattern Recognition.39(2006)478-487]。
(2)基于線特征的方法。L.Zhang等首先對掌紋圖像進行小波分解，然后使用方向建模方法提取小波子帶的重要系數(shù)作為主線以及重要褶皺特征[參考文獻L.Zhang，and D.Zhang，“Characterization of palmprints bywavelet signatures via directional context modeling，”IEEE Transaction onSystems，Man and Cybernetics，Part B.34(3)(2004)，pp.1335-1347.]。鄔向前等則把掌線看成是一種屋脊線，根據(jù)圖像的一階導數(shù)過零點，二階導數(shù)的幅值來確定掌線，在此算法的基礎(chǔ)上，鄔向前等探討了基于線特征的掌紋的分類與識別算法[參考文獻X.Q.Wu，D.Zhang，and K.Q.Wang，“Palm line extraction and matching for personal authentication，”IEEETransaction on Systems，Man and Cybernetics，Part A，36(5)(2006)，pp.978-987.]。
(3)基于表征特征的方法或者稱為子空間方法。主要使用特征值分解以及Gram-Schmidt正交化等技術(shù)對掌紋圖像進行降維，并獲得相應特征向量。G.M.Lu和X.Q.Wu分別提出基于PCA(主成分分析)與LDA(線性判別分析)的掌紋識別方法[參考文獻G.M.Lu，D.Zhang，and K.Q.Wang，“Palmprint recognition using eigenpalms features，”PatternRecognition Letter，24(9-10)(2003)，pp.1463-1467.]，[參考文獻X.Q.Wu，D.Zhang，and K.Q Wang，“Fisherpalms based palmprint recognition，”PatternRecognitio Letter，24(1 5)(2003)，pp.2829-2838.]。
(4)基于方向信息的方法。此方法類似于指紋圖像的方向場計算與估計。對于掌紋圖像，就是求得掌紋圖像每個像素的方向，從而把掌紋圖像從灰度空間映射到方向特征空間，然后進行匹配。目前在掌紋識別領(lǐng)域，基于方向特征的算法獲得了較高識別率，因為掌紋線的方向信息能攜帶更多的辨別信息，而且對光照變化等變異情況不敏感。A.Kong與David.Zhang(張大鵬)在FusionCode基礎(chǔ)上提出CompetitiveCode，在此方法中，使用6個方向的Gabor濾波器對圖像進行濾波，然后用Winner-take-all規(guī)則提取最強響應方向作為識別特征[參考文獻A.Kong，and D.Zhang，“Competitive coding scheme for palmprint verification，”Proc.Of the 17thICPR，vol(1)(2004)，pp.520-523.]。
上述幾種識別方法中，第一類基于紋理的方法是研究的比較早，但是這種方法容易受光照變化等因素的影響，識別率難以提高。第二類基于線的方法則受到諸多限制，例如，許多掌線比較模糊難以提取。第三類基于子空間技術(shù)的識別方法目前是研究熱點，但是這種方法只考慮圖像像素間的相關(guān)性，沒有利用掌紋圖像的結(jié)構(gòu)信息，在較大規(guī)模數(shù)據(jù)庫上的識別結(jié)果還有待于進一步驗證。
相比而言，第四類基于方向特征的掌紋圖像識別方法則能獲得較理想的識別結(jié)果。目前，在各種方法識別結(jié)果的比較中，基于方向特征的方法識別率最好。經(jīng)典的基于方向特征的掌紋識別方法就是我們上面所提到的CompetitiveCode[參考文獻A.Kong，and D.Zhang，“Competitivecoding scheme for palmprint verification，”Proc.Of the 17thICPR，vol(1)(2004)，pp.520-523.]。
通過國際專利數(shù)據(jù)庫檢索，香港理工大學生物特征識別中心張大鵬(David.Zhang)等人于2004年6月申請了美國發(fā)明專利，其專利公告號為WO/2005/124662，名稱為“基于掌線方向特征的掌紋辨識方法”。此發(fā)明公開的掌紋辨識方法的核心內(nèi)容就是CompetitiveCode。
然而，基于CompetitiveCode的掌紋識別方法仍然有一些不足之處。具體表現(xiàn)在(1)CompetitiveCode的掌紋識別方法中使用的Gabor濾波器并不是提取掌紋圖像方向特征的最佳工具；(2)特征提取速度比較慢，因為使用較大模板的Gabor濾波器對掌紋圖像濾波比較耗時；(3)沒有提出針對旋轉(zhuǎn)問題的解決方案，識別率難以進一步提高；(4)CompetitiveCode的掌紋識別方法使用漢明距離進行匹配缺乏較好的容錯能力。

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術(shù)CompetitiveCode的掌紋識別方法中的不足，提出一種新的基于方向特征的掌紋識別方法?；诜较蛱卣鞯恼萍y識別方法不僅具有很快的特征提取速度，而且識別率也有大幅度的提高。該方法比CompetitiveCode的掌紋識別方法具有更強的健壯性和更好的實用性。
本發(fā)明的目的是這樣實現(xiàn)的基于方向特征的掌紋識別方法，包括步驟(1)掌紋圖像采集通過掌紋圖像的采集裝置采集掌紋圖像，得到可用于進一步處理的掌紋圖像灰度矩陣。在注冊階段采集的掌紋圖像稱為掌紋訓練圖像，在識別階段采集的掌紋圖像稱為掌紋測試圖像。
步驟(2)掌紋圖像預處理在提取掌紋圖像特征前，需要對掌紋圖像進行預處理。在采集掌紋圖像的時候，一般是采集整個手掌的掌紋圖像，但是使用這種掌紋圖像進行匹配是不合適的，一方面因為整個手掌的掌紋圖像比較大，處理速度慢，不適用于實時應用；另一方面因為整個手掌的掌紋圖像沒有經(jīng)過定位處理，存在很大的旋轉(zhuǎn)、位移誤差，使得匹配結(jié)果不穩(wěn)定。因此在掌紋圖像識別方法中，首先通過定位手掌、手指位置，對掌紋圖像進行旋轉(zhuǎn)校正，然后在掌紋圖像的中心部位切割128×128像素的方形區(qū)域作為掌紋訓練ROI(Region of Interest)圖像，最后對方形區(qū)域的掌紋訓練ROI圖像進行特征提取與匹配。
特別是還包括步驟(3)掌紋訓練圖像集的構(gòu)造在掌紋識別系統(tǒng)中，首先會采集一幅或者幾幅掌紋圖像作為掌紋訓練圖像存放在系統(tǒng)中。然而，由于不完善的預處理操作，待識別的掌紋圖像往往和掌紋訓練圖像存在一定的旋轉(zhuǎn)誤差，易造成錯誤識別。目前，掌紋識別領(lǐng)域還沒有提出解決此問題的有效方案。本發(fā)明使用構(gòu)造新的掌紋訓練圖像來解決此問題。通過觀察，待識別掌紋圖像和掌紋訓練圖像間的最大旋轉(zhuǎn)誤差約為10°。設(shè)對某個人的掌紋，系統(tǒng)中存有一幅掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A分別旋轉(zhuǎn)角度α為3°、6°、9°、-3°、-6°、-9°，得到旋轉(zhuǎn)后的掌紋訓練ROI圖像，即形成新的掌紋訓練ROI圖像集A1、A2、A3、A4、A5、A6，設(shè)系統(tǒng)中還包括有B、C多幅掌紋訓練ROI圖像，則最后的掌紋訓練ROI圖像集為A、A1、A2、A3、A4、A5、A6、B、C，通過掌紋訓練ROI圖像集的構(gòu)造，能有效補償旋轉(zhuǎn)誤差；其中旋轉(zhuǎn)角度α，生成的新的掌紋訓練圖像的數(shù)量，可以根據(jù)實際情況調(diào)整。
步驟(4)掌紋特征提取-建立掌紋方向特征編碼RPOC掌紋的主要特征是線特征，同時這些線是具有方向性的，那么方向特征也可以有效表達掌紋的本質(zhì)結(jié)構(gòu)。在掌紋圖像的局部區(qū)域，掌紋線可以被近似的看成是一條短直線，因此可以使用有限Radon變換(the finiteRadon transform，可簡稱為FRAT)來計算掌線的方向。然而，由于FRAT具有“環(huán)繞效應”，在計算方向特征的時候并不準確。本發(fā)明設(shè)計了一種新穎的改進Radon變換(Modified Finite Radon Transform，簡稱為MFRAT來準確的計算掌紋特征。MFRAT的計算掌紋特征如下定義Zp＝{0，1，...，p-1}，其中p為正整數(shù)，對于有限二維網(wǎng)格Zp2上的實值方程圖像f[x，y]，MFRAT定義為r[Lk]=MFRATf(k)=Σ(i,j)∈kf[i,j]---(1)]]>其中，Lk為在二維網(wǎng)格Z2p中，f[x，y]的一些點組成的直線Lk＝{(i，j)j＝k(i-i0)+j0，i∈Zp}(2)上式中，Lk為直線方程，(i0，j0)為Z2p的中心點。k表示為Lk的斜率。那么Lk就表示為經(jīng)過Z2p的中心點(i0，j0)不同斜率(方向)的直線。Lk還有另外一種表示方法L(θk)，其中，θK是對應于k的角度值。
式(1)中的r(Lk)表示對不同方向的Lk進行積分(求和)，即r(Lk)代表了不同方向的Lk的能量。通過比較r(Lk)的大小來計算掌紋的方向信息。由于掌紋圖像中，掌線的像素值一般較小，那么選擇r(Lk)中最小值的方向作為最終的方向信息。見下式θk(i0,j0)=arg(mink(r[Lk])),k=1,2,···N---(3)]]>在整個掌紋圖像中，逐像素或者多個像素的移動Z2p，那么整個圖像的方向信息就被計算出來。掌紋圖像的方向圖公式為 其中k(i，j)為(3)式θk(i，j)的k值。
在MFRAT中，有三個參數(shù)可以在應用中被調(diào)整，分別是p、N和W。一是p，它決定了二維網(wǎng)格Z2p的大小，也就等于決定了Lk的長度；二是k的數(shù)量N，它表示計算多少條線的能量，如果N大則計算量大，如果N小則方向特征過少，一般而言，N的大小介于6～12之間；三是Lk的寬度W，可以根據(jù)應用需求來調(diào)整W的大小，一般而言，W的大小介于1～4之間。本發(fā)明中，p被設(shè)定為16；N被設(shè)定為6；W被設(shè)定為4，最終的掌紋特征圖像即掌紋訓練ROI圖像為32×32像素。
步驟(5)基于點對區(qū)域的掌紋匹配在其他掌紋識別方法中，歸一化漢明距離(the Normalized HammingDistance)或者角度距離(Angular Distance)常被用于特征匹配。但是使用漢明距離或者角度距離的匹配結(jié)果往往不夠健壯，原因是它們是基于像素對像素匹配的。一般而言，由于待識別的掌紋圖像與掌紋訓練圖像間存在位移、旋轉(zhuǎn)誤差，因此兩個圖像的像素無法精確重合。本發(fā)明設(shè)計的基于點對區(qū)域的距離函數(shù)來進行掌紋匹配，能有效提高掌紋匹配的精度。
設(shè)A是一幅掌紋訓練圖像，B是一幅掌紋測試圖像，它們來自同一個手掌，但是在不同時間段采集的。A與B的大小都為m×n像素。進一步設(shè)A(i，j)與B(x，y)是兩個在相同位置對應點。如果A與B間沒有位移、旋轉(zhuǎn)誤差，那么我們知道A(i，j)與B(x，y)是重合的，即“i＝x”且“j＝y(tǒng)”。但，如前段所提到的，由于位移與旋轉(zhuǎn)誤差，A(i，j)往往和B(x，y)并不重合。從另一方面說，A(i，j)出現(xiàn)在B(x，y)附近的概率比較大。根據(jù)以上分析，設(shè)計的基于點對區(qū)域的匹配可以表示為s(A,B)=(Σi=1mΣj=1nA(i,j)⊗B‾(i,j))/m×n---(5)]]>(5)式中，s(A，B)表示從A到B的匹配距離?！包蟆北硎具壿嫛暗取辈僮鳎碅(i，j)與B(i，j)中的任何一個像素的值相等，則A(i，j)B(i，j)的值為1，反之則為0。B(i，j)是以B(i，j)為中心的局部區(qū)域，可以被定義為不同的形狀。類似的，從B到A的匹配距離為s(B,A)=(Σi=1mΣj=1nB(i,j)⊗A‾(i,j))/m×n---(6)]]>最終的匹配距離為S(A，B)＝S(B，A)＝Max(s(A，B)，s(B，A))(7)使用點對區(qū)域的匹配。本發(fā)明中，B(i，j)被設(shè)定為面積為5像素大小的十字形區(qū)域(B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1))，或者9像素大小的方形區(qū)域((B(i-1，j-1)，B(i-1，j+1)，B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1)，B(i+1，j+1)，B(i+1，j-1))。
相對于現(xiàn)有技術(shù)，本發(fā)明的有益效果是其一，使用構(gòu)造掌紋訓練ROI圖像的方法補償旋轉(zhuǎn)誤差。
正如本發(fā)明前文背景技術(shù)所提到的，由于不完善的預處理處理操作，待識別的掌紋測試圖像往往和注冊階段采集的掌紋訓練圖像有較大的旋轉(zhuǎn)誤差，易造成錯誤識別，本發(fā)明構(gòu)造新的掌紋訓練ROI圖像用于補償旋轉(zhuǎn)誤差。例如，系統(tǒng)中存有一幅掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A進行旋轉(zhuǎn)，角度α分別為3°、6°、9°、-3°、-6°、-9°，得到新的掌紋訓練ROI圖像集A1、A2、A3、A4、A5、A6。若系統(tǒng)中存有多幅掌紋訓練ROI圖像，除了掌紋訓練ROI圖像A之外還有B、C等，那么最后的掌紋訓練ROI圖像集為A、A1、A2、A3、A4、A5、A6、B、C。其中旋轉(zhuǎn)角度α，生成的新的掌紋訓練ROI圖像的數(shù)量，根據(jù)實際情況調(diào)整。通過構(gòu)造掌紋訓練ROI圖像集的方法來補償旋轉(zhuǎn)誤差，可以有效的降低旋轉(zhuǎn)誤差給掌紋圖像識別帶來的負面影響。
其二，提出掌紋方向特征編碼RPOC，即Robust Palmprint OrientationCode，其中改進有限Radon變換MFRAT(Modified Finite RadonTransform)，能快速準確的提取掌紋的方向特征的高精度識別率?，F(xiàn)有技術(shù)中，經(jīng)典的基于方向信息的掌紋識別方法Competitive Code使用6個方向的Gabor濾波器對圖像進行濾波，通過比較濾波器響應值的大小來確定像素的方向值。但是Gabor濾波與圖像的卷積比較費時，因為需要用到大量的乘法與加法操作，而且Gabor濾波器不能很好的模擬線狀特征。
本發(fā)明提出改進的有限Radon變換MFRAT，在掌紋圖像的局部范圍內(nèi)，除了高精度的識別率，掌紋方向特征編碼RPOC的一大優(yōu)勢是具有非常快的處理速度，因為在使用MFRAT做特征提取時，主要使用加法運算，在6個方向的線狀區(qū)域進行加法操作，可以有效的減少掌紋特征提取的時間，且能非常好的擬和線狀特征，具有比Gabor濾波器更好的提取方向特征的能力。在具體實施方式
的圖5MFRAT中，線的寬度W為1，方向的數(shù)量為6個，(a)(b)(c)(d)(e)(f)圖像代表了不同方向的線的積分(求和)，這些方向分別為0°，30°，60°，90°，120°，150°。
另外在
具體實施例方式
圖7是本發(fā)明的比較圖中，(a)圖像是原始的掌紋ROI圖像，(b)是基于CompetitiveCode的掌紋識別方法，(c)是掌紋方向特征編碼RPOC，可以看出，本發(fā)明掌紋方向特征編碼RPOC可以更好的反映掌紋結(jié)構(gòu)特征。在圖11中，展示了掌紋方向特征編碼RPOC與幾種經(jīng)典的掌紋識別方法(Palmcode、Fuioncode、Competitivecode)的ROC曲線圖。在ROC曲線中，給定一個FAR值，GAR的值越大，說明識別率越好?？梢钥闯?，掌紋方向特征編碼RPOC的識別性能要明顯好于現(xiàn)有技術(shù)中其他幾種經(jīng)典的掌紋識別方法。
其三，提出一種新穎的點對區(qū)域的掌紋特征匹配，具有更好的容錯能力。現(xiàn)有技術(shù)中，歸一化漢明距離(Normalized Hamming distance)或者角度距離(Angular distance)常被用于特征匹配。但是使用漢明距離或者角度距離的匹配結(jié)果往往不夠健壯，原因是它們是基于像素對像素匹配的。一般而言，由于待識別的掌紋測試圖像與注冊階段采集的掌紋訓練圖像間存在位移、旋轉(zhuǎn)誤差，因此待識別的掌紋測試圖像與注冊階段采集的掌紋訓練圖像的像素無法精確重合。
本發(fā)明中設(shè)計的基于點對區(qū)域的匹配可以表示為s(A,B)=(Σi=1mΣj=1nA(i,j)⊗B‾(i,j))/m×n---(8)]]>(8)式中，s(A，B)表示從A到B的匹配距離?！包蟆北硎具壿嫛暗取辈僮?，即A(i，j)與B(i，j)中的任何一個像素的值相等，則A(i，j)B(i，j)的值為1，反之則為0。B(i，j)是以B(i，j)為中心的局部區(qū)域，可以被定義為不同的形狀。類似的，從B到A的匹配距離為s(B,A)=(Σi=1mΣj=1nB(i,j)⊗A‾(i,j))/m×n---(9)]]>最終的匹配距離為S(A，B)＝S(B，A)＝Max(s(A，B)，s(B，A)) (10)作為對現(xiàn)有技術(shù)的進一步改進，本發(fā)明中的B(i，j)被設(shè)定為面積為5像素大小的十字形區(qū)域(B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1)，B(i，j)，B(i，j-1)，B(i，j+1))，或者9像素大小的方形區(qū)域((B(i-1，j-1)，B(i-1，j+1)，B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1)，B(i+1，j+1)，B(i+1，j-1)。因此本發(fā)明設(shè)計的基于點對區(qū)域的距離函數(shù)來進行掌紋匹配，具有很強的容錯能力，能有效提高匹配的精度。


圖1是基于方向特征的掌紋識別方法的流程圖。
圖2是本發(fā)明采集的掌紋圖像。
圖3是本發(fā)明剪切后原始的掌紋訓練ROI圖像。
圖4是本發(fā)明構(gòu)造掌紋訓練ROI圖像集的示意圖。
圖5是本發(fā)明9×9大小的MFRAT示意圖。
圖6是本發(fā)明16×16大小的MFRAT示意圖。
圖7是本發(fā)明的RPOC與Competitivecode特征比較圖。
圖8是本發(fā)明點對區(qū)域匹配算子的示意圖。
圖9是本發(fā)明驗證試驗中，真匹配與假匹配的匹配值分布圖。
圖10是本發(fā)明驗證試驗的FAR與FRR分布圖。
圖11是本發(fā)明掌紋方向特征編碼RPOC結(jié)果比較的ROC曲線圖。
具體實施例方式
下面結(jié)合附圖對本發(fā)明的實施例作進一步的說明。
圖1是基于方向特征的掌紋識別方法的流程圖。在圖1中，基于方向特征的掌紋識別方法包括注冊過程和識別過程。
注冊過程是用戶使用采集設(shè)備進行掌紋圖像采集，與用戶的個人信息如姓名、ID號等存入系統(tǒng)中。一般情況下，對每位用戶需進行1～3次采集，存入模版數(shù)據(jù)庫1～3幅掌紋訓練圖像。采用掌紋圖像預處理，切割掌紋訓練圖像中128×128大小的中心區(qū)域作為掌紋訓練ROI圖像。構(gòu)造掌紋訓練ROI圖像集，是對其中的一副掌紋訓練ROI圖像進行若干小角度旋轉(zhuǎn)，形成若干幅旋轉(zhuǎn)后的掌紋訓練ROI圖像，即形成新的掌紋訓練ROI圖像集。使用MFRAT提取所有掌紋訓練ROI圖像的方向特征，將形成掌紋訓練圖像集的掌紋方向特征模版存入模版數(shù)據(jù)庫中。其中，每個掌紋訓練ROI圖像集的掌紋方向特征模版都和先前存入的個人身份信息如姓名、ID號等對應。
識別過程是用戶使用采集設(shè)備進行掌紋圖像采集。對掌紋測試圖像預處理，切割掌紋測試圖像中128×128大小的中心區(qū)域作為掌紋測試ROI圖像。用MFRAT提取掌紋測試ROI圖像的方向特征，形成待識別的掌紋方向特征模版。對于身份驗證操作，待識別用戶還需要向系統(tǒng)中輸入ID號等身份信息。掌紋測試方向特征模版與訓練模版數(shù)據(jù)庫中的具有相同ID號的若干掌紋訓練方向特征模版進行匹配。使用點對區(qū)域的掌紋匹配。取測試方向特征模版與模版數(shù)據(jù)庫中訓練方向特征模版具有最大相似度的值作為最終的匹配值。若此匹配值大于事先設(shè)定的閾值T，則驗證操作成功。否則驗證失敗。對于身份辨識操作，待識別用戶無需向系統(tǒng)中輸入ID號等身份信息，掌紋測試方向特征模版與訓練模版數(shù)據(jù)庫中所有訓練特征模版進行匹配，系統(tǒng)返回與測試方向特征模版具有最大匹配值的訓練方向特征模版的ID號，若此匹配值大于事先設(shè)定的閾值T，則辨識成功。否則辨識失敗。
圖2是本發(fā)明采集的掌紋圖像。在采集的掌紋圖像中，背景為黑色，便于分割出掌紋區(qū)域圖像。此圖像分辨率約為75dpi。雖然分辨率低，但掌紋主線、皺褶等特征仍然相當清楚，可以用來身份認證。使用低分辨率掌紋圖像的第一個優(yōu)點是圖像采集設(shè)備便宜，利于降低成本，第二個優(yōu)點是圖像的尺寸小，在處理時速度快。
圖3是本發(fā)明剪切后原始的掌紋訓練ROI圖像。在剪切后的掌紋訓練ROI圖像中，仍然含有掌紋的主要特征，如主線、皺褶等。使用掌紋訓練ROI圖像的主要目的是對掌紋圖像進行定位，使得來自同一個手掌在不同時間采集的掌紋圖像間具有比較小的位移與旋轉(zhuǎn)誤差，便于掌紋匹配。
圖4是本發(fā)明構(gòu)造掌紋訓練ROI圖像集的示意圖。通過觀察，待識別掌紋圖像即測試圖像和注冊階段采集的掌紋訓練圖像間的最大旋轉(zhuǎn)誤差約為10°。設(shè)對某個人的掌紋，系統(tǒng)中存有一幅掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A分別旋轉(zhuǎn)3°、6°、9°、-3°、-6°、-9°，得到新的訓練掌紋ROI圖像A1、A2、A3、A4、A5、A6。若系統(tǒng)中存有多幅掌紋訓練ROI圖像，除了掌紋訓練ROI圖像A之外還有B、C等，那么最后的掌紋訓練圖像集為A、A1、A2、A3、A4、A5、A6、B、C。通過掌紋訓練ROI圖像集的構(gòu)造，能有效補償旋轉(zhuǎn)誤差。
圖5是本發(fā)明9×9大小的MFRAT示意圖。在圖5MFRAT中，線的寬度W為1，方向的數(shù)量為6個，(a)(b)(c)(d)(e)(f)圖像代表了不同方向的線的積分(求和)，這些方向分別為0°，30°，60°，90°，120°，150°。使用此MFRAT，每次可以計算一個像素(中心像素)的方向特征。
圖6是本發(fā)明16×16大小的MFRAT示意圖。在圖6的MFRAT中，線的寬度W為4，方向的數(shù)量為6個，(a)(b)(c)(d)(e)(f)圖像代表了不同方向的線的積分，這些方向分別為0°，30°，60°，90°，120°，150°。使用此MFRAT，每次可以計算4×4個像素(中心區(qū)域的深色像素)的方向特征。此4×4個像素具有相同的方向特征值，在特征圖像中，此4×4個像素可被看作為1個像素，因此128×128的原始圖像，其特征圖像為32×32像素大小。
圖7是本發(fā)明的RPOC與Competitivecode特征比較圖。其中(a)圖像是原始的掌紋ROI圖像，(b)是基于CompetitiveCode的掌紋識別方法，(c)是掌紋方向特征編碼RPOC。可以看出，掌紋方向特征編碼RPOC可以更好的反映掌紋結(jié)構(gòu)特征。這里需要指出的是，圖7(b)與(c)的大小為32×32像素，為了方便顯示，它們被放大。其中每個小方格代表一個像素。此外，圖7(b)與(c)中，不同的灰度值代表了不同的方向值。
圖8是本發(fā)明點對區(qū)域匹配算子的示意圖。其中(a)是點對點的匹配算子，(b)是點對十字形區(qū)域的匹配算子。(c)是點對小方形的匹配算子。
圖9是本發(fā)明驗證試驗中，匹配值的分布圖。
在驗證實驗中，來自同一個手掌的掌紋匹配稱為真匹配，即Genuine匹配，來自不同手掌的掌紋匹配稱為假匹配，即Imposter匹配。真匹配的結(jié)果就是合法用戶對自己合法身份的驗證。而假匹配則是冒充真實用戶的匹配。圖9是對所有真匹配與假匹配中匹配值的統(tǒng)計，真匹配的匹配值分布中心點約為0.7，假匹配的匹配值分布中心點約為0.5。從圖9中可以看出，真匹配與假匹配值能較好的分開，冒充者很難冒充成功。對于一個完美的系統(tǒng)，真匹配值與假匹配值的分布應該沒有交點。
圖10是本發(fā)明驗證試驗的FAR與FRR分布圖。
生物特征識別技術(shù)中一般采用三個指標來衡量識別效果，即誤識率(False Acceptance Rate，F(xiàn)AR)、誤拒率(False Reject Rate，F(xiàn)RR)和等錯率(Equal Error Rate，EER)。FRR是指系統(tǒng)將真實用戶當成假冒者而拒絕的概率；FAR是指系統(tǒng)將假冒者當成真實用戶而接受的概率。EER是指FAR與FRR相等時候的錯誤率。FRR和FAR是同一個算法系統(tǒng)的兩個參數(shù)，把它們放在同一個坐標中，如圖所示，F(xiàn)AR是隨著閾值增大而減小的，F(xiàn)RR是隨著閾值增大而增大的。一般而言，F(xiàn)AR與FRR呈反比關(guān)系，F(xiàn)AR越大，則FRR越小，反之亦然。FAR與FRR在圖中有交叉點，這個點是在某個閾值下的FAR與FRR等值的點(對應此閾值的等值點稱為EER)。習慣上使用EER來衡量算法的綜合性能，對于一個更優(yōu)的掌紋識別算法，希望在相同閾值情況下，F(xiàn)AR和FRR都越小越好。
圖11是本發(fā)明掌紋方向特征編碼RPOC結(jié)果比較的ROC曲線圖。在圖11中，展示了掌紋方向特征編碼RPOC與幾種經(jīng)典的掌紋識別方法(Palmcode、Fuioncode、Competitivecode)的ROC曲線圖。ROC曲線中，橫坐標是誤識率(FAR)，縱坐標是正確的接受率(Genuine Acceptance Rate，GAR)。在ROC曲線中，給定一個誤識率FAR值，正確的接受率GAR的值越大，說明識別率越好。從圖11中，可以看出，掌紋方向特征編碼RPOC的識別性能要明顯好于其他幾種經(jīng)典的掌紋識別方法。
實施例(1)圖像數(shù)據(jù)庫采用本發(fā)明的算法在香港理工大學生物特征識別研究中心(PolyU_BRC)的掌紋數(shù)據(jù)庫中進行了實驗。這些圖像是分兩次對不同年齡的男性和女性進行采集的，兩次采集間隔平均為2個月，每次對一個手掌采集10幅左右的掌紋圖像。所以，數(shù)據(jù)庫中每個手掌有近20幅掌紋圖像。掌紋圖像大小為384×284像素。
(2)圖像預處理應用張大鵬等人提出的掌紋預處理算法[參考文獻D.Zhang，W.K.Kong，J.You，and M.Wong，“Online palmprint identification，”IEEETransactions on Pattern Analysis and Machine Intelligence，25(9)(2003)，pp.1041-1050.]，截取掌紋圖像中心大小為128×128像素的掌紋ROI圖像塊，在此掌紋ROI圖像塊上進行掌紋特征提取與匹配。
(3)構(gòu)造掌紋訓練ROI圖像集我們選用采集的每個手掌的第一幅圖像作為掌紋訓練ROI圖像集。剩下的19幅掌紋圖像作為掌紋測試圖像集。設(shè)對某個人的掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A分別旋轉(zhuǎn)3°、6°、9°、-3°、-6°、-9°，得到新的掌紋訓練ROI圖像集A1、A2、A3、A4、A5、A6。那么最后的掌紋訓練ROI圖像集為A、A1、A2、A3、A4、A5、A6，共有7幅掌紋訓練ROI圖像。
(4)使用MFRAT提取掌紋的方向特征使用MFRAT提取掌紋的方向特征，本發(fā)明中，p被設(shè)定為16；N被設(shè)定為6；W被設(shè)定為4。最終的特征圖像即掌紋訓練ROI圖像大小為32×32像素。
(5)使用基于點對區(qū)域的掌紋匹配進行匹配使用基于點對區(qū)域的掌紋匹配。
本發(fā)明中，B(i，j)被設(shè)定為面積為5像素的十字形區(qū)域(B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1))，或者9像素的方形區(qū)域((B(i-1，j-1)，B(i-1，j+1)，B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1)，B(i+1，j+1)，B(i+1，j-1))。
(6)掌紋識別試驗結(jié)果分析掌紋識別試驗可以分為兩類，即驗證(Verification)和辨識(Identification)。驗證就是通過采集到的掌紋與一個已經(jīng)登記的掌紋進行一對一的比對(one-to-one matching)，來確認身份的過程。作為驗證的前提條件，他或她的掌紋必須在掌紋庫中已經(jīng)注冊。掌紋以一定的壓縮格式存貯，并與其姓名或其標識(ID，PIN)聯(lián)系起來。隨后在比對現(xiàn)場，先驗證其標識，然后，利用系統(tǒng)的掌紋與現(xiàn)場采集的掌紋比對來證明其標識是合法的。驗證其實是回答了這樣一個問題″他是他自稱的這個人嗎？″。
辨識則是把采集到的掌紋同掌紋數(shù)據(jù)庫中的掌紋逐一對比，從中找出與測試掌紋相匹配的指紋。這也叫“一對多匹配(one-to-manymatching)”。辨識其實是回答了這樣一個問題“他是誰？”。
1、驗證結(jié)果分析在驗證試驗中，掌紋測試圖像集中所有的掌紋圖像要與掌紋訓練圖像集中所有圖像進行匹配。如果掌紋測試圖像與掌紋訓練圖像來自于同一個手掌，那么他們之間的匹配被稱為真實匹配(Genuine Matching)，如果測試圖像與掌紋訓練圖像來自不同的手掌，那么他們之間的匹配被稱為冒名匹配(Impostor Matching)。匹配產(chǎn)生的結(jié)果為匹配值，匹配值的范圍在
之間，如果匹配值超過了給定的閾值，則認為驗證通過，否則被拒絕。圖9展示了真實匹配Genuine Matching與冒名匹配ImpostorMatching的匹配值分布圖。
圖10與下表展示了本發(fā)明方法在不同閾值時FAR與FRR值。可以看出，當FAR在4.0×10-5％時，F(xiàn)RR僅為1.631％。當閾值為0.616時EER約為0.16％。


圖11與下表展示了不同掌紋識別方法的識別結(jié)果比較。當FAR在4.0×10-5％時，Palmcode的FRR為17.2％，F(xiàn)usioncode的FRR為12.1％，Competitivecode的FRR為4.86％，掌紋方向特征編碼RPOC的FRR僅為1.631％。Palmcode的EER為0.98％，F(xiàn)usioncode的EER為0.87％，Competitivecode的EER為0.47％，RPOC的EER僅為0.16％。比其他幾種方法的結(jié)果好很多。目前，從可以查閱到的資料中，本發(fā)明掌紋方向特征編碼RPOC獲得了掌紋識別領(lǐng)域的較高識別率。

2、辨識結(jié)果分析以每個手掌的第一幅圖像作為掌紋訓練圖像，剩下的19幅圖像作為掌紋測試圖像進行辨識試驗。掌紋方向特征編碼RPOC的辨識精度為98.12％，而PalmCode，F(xiàn)usionCode，CompetitiveCode的辨識精度分別為95.41％、96.46％與97.85％。在掌紋辨識試驗中，掌紋方向特征編碼RPOC也獲得了較好的識別率。
3、存儲量掌紋方向特征編碼RPOC的特征圖像即掌紋訓練圖像大小為32×32，每個像素點的值可能是1、2、3、4、5、6這六個數(shù)中的一個。那么對每個像素點使用3個比特就可以代表這幾個值，如使用001代表1，010代表2，011代表3，100代表4，101代表5，110代表6。以這種方法存儲一幅掌紋訓練圖像的方向特征，則需要使用的字節(jié)數(shù)為(32×32×3)/8＝384bytes?？梢姡萍y方向特征編碼RPOC的存儲量非常小，非常適合實時應用。
4、處理速度除了高精度的識別率，掌紋方向特征編碼RPOC的另一大優(yōu)勢是具有非?？斓奶幚硭俣?，因為在使用MFRAT做特征提取時，主要使用加法運算，因此減少了處理器的時間開銷。所有試驗是在主頻為2.4GHZ的奔騰處理器、256M內(nèi)存的個人電腦上完成的，使用的編程平臺為VisualC++。下表列出了掌紋方向特征編碼RPOC算法預處理、特征提取以及匹配所需要的平均時間。使用掌紋方向特征編碼RPOC方法進行一次身份驗證的平均響應時間小于0.4秒。掌紋方向特征編碼RPOC的特征提取時間僅為50毫秒，而CompetitiveCode的特征提取時間為200毫秒，掌紋方向特征編碼RPOC所用的特征提取時間只是CompetitiveCode的四分之一。

權(quán)利要求
1.一種基于方向特征的掌紋識別方法，包括a掌紋圖像采集，用戶通過采集裝置進行掌紋圖像采集，得到可用于進一步處理的掌紋圖像灰度矩陣，在注冊階段采集的掌紋圖像稱為掌紋訓練圖像，在識別階段采集的掌紋圖像稱為掌紋測試圖像；b掌紋圖像預處理，首先通過定位手掌、手指位置，對掌紋圖像進行旋轉(zhuǎn)校正，然后在掌紋圖像的中心部位切割128×128像素的方形區(qū)域作為掌紋訓練ROI(Region of Interest)圖像，最后對方形區(qū)域的掌紋訓練ROI圖像進行特征提取與匹配，其特征在于該方法還包括c構(gòu)造掌紋訓練ROI圖像集，設(shè)對某個人的掌紋，系統(tǒng)中存有一幅掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A分別旋轉(zhuǎn)角度α為3°、6°、9°、-3°、-6°、-9°，得到旋轉(zhuǎn)后的掌紋訓練ROI圖像，即形成新的掌紋訓練ROI圖像集A1、A2、A3、A4、A5、A6，設(shè)系統(tǒng)中還包括有B、C多幅掌紋訓練ROI圖像，則最后的掌紋訓練ROI圖像集為A、A1、A2、A3、A4、A5、A6、B、C，通過掌紋訓練ROI圖像集的構(gòu)造，能有效補償旋轉(zhuǎn)誤差；d掌紋特征提取-建立掌紋方向特征編碼RPOC(RobustPalmprint Orientation Code)掌紋的主要特征是線特征，這些線具有方向性，即方向特征能夠表達掌紋的本質(zhì)結(jié)構(gòu)，提取方向特征的MFRAT描述如下定義Zp＝{0，1，...，p-1}，其中p為正整數(shù)，對于有限二維網(wǎng)格Z2p上的實值方程f[x，y]，MFRAT定義為r[Lk]=MFRATf(k)=Σ(i,j)∈Lkf[i,j]]]>其中，f[x，y]是圖像灰度矩陣，Lk為在二維網(wǎng)格Z2p中，f[x，y]的一些點組成的直線Lk＝{(i，j)j＝k(i-i0)+j0，i∈Zp}上式中，Lk為直線方程，(i0，j0)為Z2p的中心點，k表示為Lk的斜率；那么Lk就表示為經(jīng)過Z2p的中心點(i0，j0)不同方向的直線，Lk還有另外一種表示方法L(θk)，其中，θk是對應于k的角度值；公式中的r(Lk)表示對不同方向的Lk進行積分即求和，r(Lk)代表了不同方向的Lk的能量；通過比較r(Lk)計算掌紋的方向信息；選擇r(Lk)中值小的方向作為(i0，j0)的最終方向信息；見下式θk(i0,j0)=arg(mink(r[Lk])),k=1,2,···N]]>在整個掌紋圖像中，逐像素或者多個像素的移動Z2p，整個掌紋圖像的方向信息就計算出來，掌紋圖像的方向圖公式為 其中k(i，j)為式θk(i，j)的k值；在MFRAT中，有三個參數(shù)在應用中調(diào)整，分別是p、N和W，其中p決定了二維網(wǎng)格Z2p的大小，即決定了Lk的長度；k的數(shù)量N表示計算線的數(shù)量，如果N大則計算量大，如果N小則方向特征少，N介于6～12之間；Lk的寬度W能夠根據(jù)應用需求進行調(diào)整，W介于1～4之間；使用MFRAT提取所有掌紋訓練ROI圖像的方向特征，將形成掌紋訓練ROI圖像集的掌紋方向特征模版存入模版數(shù)據(jù)庫中；e基于點對區(qū)域的掌紋匹配設(shè)來自同一個手掌的在不同時間段采集的A是一幅掌紋訓練圖像，B是一幅掌紋測試圖像，A與B的大小都為m×n像素，進一步設(shè)A與B間沒有位移與旋轉(zhuǎn)誤差，A(i，j)與B(x，y)是兩個在相同位置的對應點，此時A(i，j)與B(x，y重合，即“i＝x”且“j＝y(tǒng)”，由于位移與旋轉(zhuǎn)誤差，A(i，j)往往和B(x，y)不重合，但A(i，j)出現(xiàn)在B(x，y)附近的概率大，設(shè)計的基于點對區(qū)域的掌紋匹配表示為s(A,B)=(Σi=1mΣj=1nA(i,j)⊗B‾(i,j))/m×n]]>公式中，s(A，B)表示從A到B的匹配距離，“”表示邏輯操作，A(i，j)與B(i，j)中的任何一個像素的值相等，則A(i，j)B(i，j)的值為1，反之則為0，B(i，j)是以B(i，j)為中心的局部區(qū)域，能夠定義為不同的形狀；類似的，從B到A的匹配距離為s(B,A)=(Σi=1mΣj=1nB(i,j)⊗A‾(i,j))/m×n]]>最終的匹配距離為S(A，B)＝S(B，A)＝Max(s(A，B)，s(B，A))。
2.根據(jù)權(quán)利要求1所述的基于方向特征的掌紋識別方法，其特征是所述的設(shè)對某個人的掌紋，系統(tǒng)中存有一幅掌紋訓練ROI圖像A，對掌紋訓練ROI圖像A分別旋轉(zhuǎn)角度α為3°、6°、9°、-3°、-6°、-9°，得到旋轉(zhuǎn)后的掌紋訓練ROI圖像，即形成新的掌紋訓練ROI圖像集A1、A2、A3、A4、A5、A6，設(shè)系統(tǒng)中還包括有B、C多幅掌紋訓練ROI圖像，則最后的掌紋訓練ROI圖像集為A、A1、A2、A3、A4、A5、A6、B、C，其中旋轉(zhuǎn)角度α，生成新的掌紋訓練ROI圖像的數(shù)量根據(jù)實際情況調(diào)整。
3.根據(jù)權(quán)利要求1所述的基于方向特征的掌紋識別方法，其特征是所述的在MFRAT中，有三個參數(shù)在應用中調(diào)整，分別是p、N和W，其中p設(shè)定為16、N設(shè)定為6、W設(shè)定為4，最終的掌紋特征圖像即掌紋訓練ROI圖像為32×32像素。
4.根據(jù)權(quán)利要求1所述的基于方向特征的掌紋識別方法，其特征是所述的基于點對區(qū)域的掌紋匹配，其中B(i，j)設(shè)定為面積為5像素的十字形區(qū)域(B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1))，或者9像素的方形區(qū)域((B(i-1，j-1)，B(i-1，j+1)，B(i-1，j)，B(i+1，j)，B(i，j)，B(i，j-1)，B(i，j+1)，B(i+1，j+1)，B(i+1，j-1))。
全文摘要
本發(fā)明公開了基于方向特征的掌紋識別方法，包括掌紋圖像采集、掌紋圖像預處理、構(gòu)造掌紋訓練ROI圖像集、掌紋特征提?。⒄萍y方向特征編碼RPOC、點對區(qū)域的掌紋匹配。首先通過旋轉(zhuǎn)掌紋訓練ROI圖像構(gòu)造新的掌紋訓練ROI圖像加入到掌紋訓練ROI圖像集中，用以補償旋轉(zhuǎn)誤差；其次設(shè)計了一種改進的有限Radon變換MFRAT，通過在掌紋圖像的局部區(qū)域比較6個方向的線狀區(qū)域的能量大小來獲得掌紋方向特征模版；最后通過點對區(qū)域匹配對掌紋方向特征模版進行匹配。本方法的掌紋方向編碼RPOC不僅能反映掌紋的結(jié)構(gòu)特征，而且能攜帶較多的辨別信息，同時它對于光線變化、掌紋圖像間的位移旋轉(zhuǎn)等問題具有較強的容錯能力。
文檔編號G06K9/62GK101055618SQ200710111289
公開日2007年10月17日 申請日期2007年6月21日 優(yōu)先權(quán)日2007年6月21日
發(fā)明者黃德雙, 賈偉, 全中華 申請人:中國科學院合肥物質(zhì)科學研究院