基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法
【專利摘要】本發(fā)明提出一種基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法。該方法通過掌紋圖像預處理、尺度不變特征變換特征提取與匹配、外點排除等步驟,最終以匹配的SIFT特征點數量作為分數實現基于掌紋的身份認證或辨識。本發(fā)明要解決的問題是非接觸式掌紋識別,所使用的掌紋圖像不需要非常準確的對齊,因此掌紋圖像可以在開放的環(huán)境中非接觸采集,有利于提高掌紋識別的用戶接受度。本發(fā)明應用SIFT特征,可以大大降低掌紋圖像各種旋轉、平移、尺度等線性變換以及其它非線性變換的影響。本發(fā)明應用I-RANSAC算法排除兩幅掌紋圖像SIFT特征點匹配中的外點,可以解決傳統(tǒng)外點排除算法在非線性形變情況下丟失大量內點的問題。
【專利說明】基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法
【技術領域】
[0001]本發(fā)明涉及一種基于迭代隨機抽樣一致(1-RANSAC)算法的非接觸式掌紋識別方法。
【背景技術】
[0002]掌紋識別是近年來新興的一種生物特征識別技術。它具有用戶接受程度較好,識別精度較高的優(yōu)點。
[0003]現有的掌紋特征提取和匹配方法通常需要待匹配的兩幅掌紋圖像較好的對齊,否則其識別精度將大受影響。目前解決掌紋圖像對齊的最常用方法是設計一種專用掌紋圖像采集設備,在采集圖像時,用戶將手掌置于設備之上,使用輔助定位裝置限制手指和手掌的活動,以保證每次采集的掌紋圖像能夠較好的對齊。而這種方式的最大缺陷是大大降低了掌紋識別的用戶接受程度。
[0004]解決這一問題的有效手段是使用非接觸方式采集掌紋圖像。但在非接觸采集方式中,由于缺少了輔助定位裝置,采集到的掌紋圖像往往存在較明顯的旋轉、尺度、平移等線性變換以及其它非線性變換。這些變換即使經過感興趣區(qū)域(ROI)提取也很難消除,進而影響非接觸式掌紋識別的精度。
【發(fā)明內容】
[0005]基于以上不足之處,本發(fā)明提出一種基于迭代隨機抽樣一致(1-RANSAC)算法的非接觸式掌紋識別方法。該方法通過掌紋圖像預處理、尺度不變特征變換(SIFT)特征提取與匹配、外點排除等步驟,最終以匹配的SIFT特征點數量作為匹配度實現基于掌紋的身份認證或辨識。
[0006]本發(fā)明所采用的技術如下:
[0007]基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,分為注冊和識別兩個階段,
[0008](I)注冊階段分為如下步驟:
[0009](1.1)將用戶提供的掌紋圖像進行掌紋ROI提取,得到掌紋ROI圖像;
[0010](1.2)對掌紋ROI圖像進行預處理以增強掌紋紋理;
[0011](1.3)在預處理后的掌紋ROI圖像上提取尺度不變特征變換SIFT特征,并存于特征數據庫;
[0012](2)識別階段分為如下步驟:
[0013](2.1)在用戶提供的掌紋圖像上進行掌紋ROI提取;
[0014](2.2)對ROI圖像進行預處理以增強掌紋紋理;
[0015](2.3)在預處理后的掌紋ROI圖像上提取尺度不變特征變換SIFT特征;
[0016](2.4)將提取到的SIFT特征和數據庫中已存的SIFT特征進行匹配,得到匹配的SIFT特征點;[0017](2.5)通過迭代隨機抽樣一致(1-RANSAC)算法排除外點;
[0018](2.6)將排除外點后得到的匹配點數量作為匹配度,用于身份認證或辨識。本發(fā)明還具有如下特征:
[0019]1、所述的掌紋ROI圖像進行預處理使用圓形Gabor濾波器,表示為:
【權利要求】
1.基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,分為注冊和識別兩個階段,其特征在于: (1)注冊階段分為如下步驟: (1.1)將用戶提供的掌紋圖像進行掌紋ROI提取,得到掌紋ROI圖像; (1.2)對掌紋ROI圖像進行預處理以增強掌紋紋理; (1.3)在預處理后的掌紋ROI圖像上提取尺度不變特征變換SIFT特征,并存于特征數據庫; (2)識別階段分為如下步驟: (2.1)在用戶提供的掌紋圖像上進行掌紋ROI提?。? (2.2)對掌紋ROI圖像進行預處理以增強掌紋紋理; (2.3)在預處理后的掌紋ROI圖像上提取尺度不變特征變換SIFT特征; (2.4)將提取到的SIFT特征和數據庫中已存的SIFT特征進行匹配,得到匹配的SIFT特征點; (2.5)通過迭代隨機抽樣一致算法排除外點; (2.6)將排除外點后得到的匹配點數量作為匹配度,用于身份認證或辨識。
2.根據權利要求1所述的基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,其特征在于,所述的掌紋ROI圖像進行預處理使用圓形Gabor濾波器,表示為:
3.根據權利要求1所述的基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,其特征在于,所述的SIFT特征提取為如下步驟: (1)通過使用不同尺度的高斯濾波器與掌紋圖像進行卷積運算構造Gaussian尺度空間; (2)通過對Gaussian尺度空間中相鄰尺度的圖像進行相減運算,形成Gaussian差分DoG空間,特征點通過檢測DoG空間的局部極值點來確定; (3)在特征點周圍選定一個圖像塊,并計算這一圖像塊的梯度方向直方圖HOGJfHOG的最大值所對應的方向作為該特征點的主方向; (4)計算特征點的描述子,首先計算特征點周圍圖像塊的H0G,然后利用該點的主方向將HOG進行方向歸一化,就得到了該點的描述子。
4.根據權利要求1所述的基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,其特征在于,所述的匹配的SIFT特征點為,當兩個SIFT特征點描述子如果滿足如下條件,則認為這兩個SIFT特征點是匹配的:
Ciij < t.min (dik),k=l,2,…,N.k j其中Dij=I Ip1-Qj I2為兩個特征點Pi和q」的描述子之間的歐式距離。
5.根據權利要求1所述的基于迭代隨機抽樣一致算法的非接觸式掌紋識別方法,其特征在于,所述的基于1-RANSAC算法的排除外點步驟如下: 步驟(I)初始化:令外點集合的初始狀態(tài)為原始匹配SIFT點集S ;令內點集合的初始狀態(tài)SOin為空; 步驟(2)從外點集合中排除掉當前內點集合; 步驟⑶對外點集合應用RANSAC算法,得到新的內點集合,并更新當前內點集合為新得到的內點集合; 步驟(4)判斷:如果當前內點集合為空,則結束;否則,將當前內點集合并入結果集合Sin; 步驟(5)判斷:如果步驟(2)-(4)步的執(zhí)行次數等于最大允許的模型數量m,則結束;否則轉步驟(2); 其中1-RANSAC算法所需的輸入為匹配的SIFT點集S和最大允許的模型數量m ;輸出為結果內點集合Sin。
【文檔編號】G06K9/00GK103455803SQ201310412065
【公開日】2013年12月18日 申請日期:2013年9月4日 優(yōu)先權日:2013年9月4日
【發(fā)明者】鄔向前, 卜巍, 趙秋實 申請人:哈爾濱工業(yè)大學