（通信与信息系统专业论文）基于gabor小波变换的掌纹特征提取算法研究.pdf

原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不 包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研 究作出重要贡献的个人和集体，均己在文中以明确方式标明。本声明 的法律责任由本人承担。 论文作者签名：煎! 遽 日期：竺：三：兰 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定，同意学 校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论 文被查阅和借阅；本人授权山东大学可以将本学位论文的全部或部分 内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段 保存论文和汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：笾迭导师签名： 扭 山东大学硕士学位论文 目录 摘要1 a b s t r a c t 3 符号说明5 第一章绪论一6 1 1 课题研究的目的和意义6 1 2 生物特征识别技术7 1 2 1 各种常用生物特征识别技术及其比较7 1 2 2 生物识别技术的现状及发展1 2 1 2 3 生物特征识别系统评价参考一1 3 1 3 掌纹识别技术l5 1 3 1 掌纹特征定义1 6 1 3 2 掌纹识别的发展历史1 7 第二章掌纹识别系统及感兴趣区域的提取1 9 2 1 掌纹识别系统的组成1 9 2 2 掌纹图像采集2 0 2 3 掌纹感兴趣区域的获取2 2 第三章特征提取算法2 5 3 1 基于空域一频域变换的特征提取2 5 3 1 1 傅里叶变换2 5 3 1 2 小波变换2 7 3 1 3g a b o r 小波变换2 7 3 2 基于结构的特征提取3 0 3 2 1 点特征3 0 3 1 2 线特征3 2 3 3 基于统计的特征提取3 3 3 4 基于子空间的特征提取3 5 山东大学硕士学位论文 3 4 1 主成分分析3 5 3 4 2f i s h e r 线性判别分析3 6 第四章一种基于g a b o r 小波和2 d p c a 的掌纹识别改进算法3 7 4 1 算法简介3 7 4 2g a b o r 小波变换3 8 4 3 p c a 与2 d p c a 变换。3 9 4 3 1 p c a 方法3 9 4 3 22 d p c a 方法4 0 - 4 4f i s h e r 线性判别分析4 0 4 5 二次降维及其效率4 l 4 6 近邻法4 2 4 7 仿真实验4 3 4 7 1 实验步骤4 3 4 7 2 实验结果4 4 4 8 结论4 5 第五章基于g a b o r 小波和双向2 d p c a 的掌纹识别算法4 6 5 1 双向2 d p c a 4 6 5 1 1 列方向的2 d p c a 4 6 5 1 2 双向2 d p c a 投影矩阵一4 7 5 1 3 特征选择4 8 5 2 实验4 9 1 第六章总结与展望5 0 参考文献5 2 致 射一5 7 攻读学位期间发表的学术论文5 8 山东大学硕士学位论文 c o n t e n t s c h i n e s ea b s t r a c t 1 a b s t r a c t 3 s y m b o le x p l a n a t i o n 5 c h a p t e rli n t r o d u c t i o n 6 1 1m e a n i n go f r e s e a r c h 6 1 2b i o m e t r i c 7 1 2 1r e s e a r c hs t a t u so f b i o m e t r i c s 7 1 2 2c o m p a r i s i o no f s e v e r a lb i o m e t r i c s 1 2 i 2 3r u l ee v a l u a t i o no f b i o m e t r i cs y s t e m 13 1 3p a l m p r i n tr e c o g n i t i o nt e c h n o l o g y 15 1 3 1d e f i n i t o no f p a l m p r i n tc h a r a c t e r 16 1 ：i 2p a l m p r i n tr e c o g n i t i o nh i s t o r y 17 c h a p t e r2p a l m p r i n tr e c o g n i t l 0 ns y s t e ma n dr o lo b t a i n i n g l9 2 1p a l m p r i n tr e c o g n i t i o ns y s t e m 19 2 2p a l m p r i n tc o l l e c t i o n 2 0 2 3r o io b t a i n i n g 2 2 c h a p t e r3f e a r u r ee x t r a c t i n ga l g o r i t h m 2 5 3 1f e a t u r ee x t r a c t i n gb s e ds p a c e - f r e q u e n c yt a n s f o r m 。2 5 3 1 1f o u r i e rt r a n s f o n n 2 5 3 1 2w a v e l e tt r a n f o i t n 2 6 3 1 3g a b o rt r a n f o r i l l ：1 7 3 2f e a t u r ee x t r a c t i n gb a s e ds t r u c t u r e ：；o ：；1 1p i o n tf e a t u r e 3 0 3 1 2l i n ef e a t u r e 3 2 3 3f e a t u r ee x t r a c t i n gb s e ds t a t i s t i c s 3 3 3 4f e a t u r ee x t r a c t i n gb s e ds u b s p a c e 3 5 3 4 1p c a 3 5 3 4 2f i s h e r p a l m 3 6 山东大学硕士学位论文 c h a p t e r4a ni m p r o v e dp a l m p r i n tr e c o g n i t i o nm e t h o du s n 、j g g a b o r 【a l v e l e t sa n d2 d p c a 。3 7 4 1a l g o r i t h md e s c r i p t i o n 3 7 4 2g a b o rw a v e l e t st r a n s f o 肿3 8 4 3p c aa n d2 d p c a ：；9 4 3 1p c a 3 9 4 3 22 d p c a 4 0 4 4 f i s h e r p a l m z i ( ) 4 5s e c o n d e r yd i m e n s i o nr e d u c t i o na n de f f i c i e n c y 4 1 4 6n e a r e s tn e i g h b o rr u l e 4 2 4 7s i m u l a t i o ne x p e r i m e n t 4 3 4 7 1 e x p e r i m e n t a lp r o c e d u r e 4 3 4 7 2e x p e r i m e n t a lr e s u l t l 4 4 8s u m m a r y 4 5 c h a p t e r5p a l m p r i n tr e c o g n i t i o nm e t h o du s i n gg a b o ra n d ：! d - 、一：! d p c a 4 6 5 12 d 2 d p c a 4 6 5 1 1c o l u m nd i r e c t i o n2 d - 2 d p c a 4 6 5 1 22 d 2 d p c ap r o j e c t i o nm a t n x 一4 7 5 1 3f e a t u r es e l e c t i o n 辨办 图1 3 指纹图像 步态识别 步态是指人们行走的姿势，是一种远距离情况下唯一可感知的人体行为特征。 步态识别主要提取的特征是人体每个关节的运动。尽管步态不是每个人都不相同 的，但是它也提供了充足的信息来识别人的身份。步态识别的输入是一段行走的 视频图像序列，因此其数据采集与脸像识别类似，具有非侵犯性和可接受性。但 是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来 也比较困难。到目前为止，还没有用于商业化的步态识别系统。 虹膜识别 虹膜是一种在眼睛中瞳孔内的各色环状物，每一个虹膜包含一个独一无二的 基于像冠、水晶体、斑点、细丝、射线和条纹等特征的结构。据称，没有两个完 全一样的虹膜。虹膜识别主要是通过对虹膜环形区域纹理结构来进行识别的。尽 管虹膜识别系统具有很高的识别率，但是，也具有如下缺点：图像采集设备复杂， 需要比较好的光源，系统成本高；由于涉及眼睛这一敏感部位，人们具有一定的 排斥性；当前的虹膜识别系统还没有进行现实世界的唯一性验证等。 签字识别 签名识别也称为签名力学辨识( d s v ，d y n a m i cs i g n a t u r ev e r i f i c a t i o n ) ， 他建立在签名时的力度上，分析的是笔的移动，如加速度、压力、方向以及笔画 的长度，而不仅仅是签名的图像本身。签名识别根据获取信息时的状态分为在线 签名识别和离线签名识别。离线签名鉴别的对象是写在纸上的字符，通过扫描仪 和摄像机转化为计算机能处理的信号；而在线签名鉴别通过专用的数字板或数字 1 0 龄罄 簟攀 山东大学硕士学位论文 仪实时采集书写信号，它不仅可以采集到笔迹序列并转化成图像，而且可以记录 书写的力量、速度等信息，可为签名鉴别提供更丰富的信息。对签字者的笔迹进 行识别，笔迹的获取具有非侵犯性，易为人们所接受。但是，事实表明我们的签 名在不同时期和不同的精神状态下是不一样的，这就降低了签名识别的可靠性。 声音识别 声音识别也是一种行为特征识别技术，通过将语音转换为电子信号，然后将 这些信号输入具有特定意义的编码模式中，再连接计算机系统就可以控制某些特 殊活动。声音在一定时期具有稳定性且人与人之间各有差异，但是声音容易受到 背景噪音、被检测者身体及情绪的影响。此外，声音信息容易被伪造，如利用录 音系统就可以欺骗系统。 视网膜识别 视网膜是一些位于眼睛后部十分细小的神经，它是人类感受光线并将信息通 过视神经传给大脑的重要器官。视网膜识别技术要求激光照射眼球的背面以获得 视网膜特征的唯一性。它的优点是：视网膜是一种极其固定的生物特征，不磨损、 不老化、不受疾病影响；使用者无需和设备直接接触；是一个最难欺骗的系统， 因为视网膜不可见，所以不会被伪造。但是，激光照射眼球是否会影响使用者的 健康，现在还不得而知，同时，视网膜识别系统的造价偏高。 在上述各种生物识别技术中，指纹身份鉴别是最早、也是最为成熟的一种方 法，但指纹的易磨损性和易破坏性在一定程度上限制了该方法的进一步推广。基 于虹膜的身份鉴别方法虽然具有识别率高等优点，但也存在着虹膜图像获取设备 昂贵等缺陷。近几年人脸、签名和声音也成为热点的身份鉴别方法，但其准确率 难以让人满意。人的掌纹具有唯一性和终生基本不变的特性，和指纹相比，掌纹 的区域大的多，具有更丰富的纹理信息，掌纹图像的获取也更加容易。因此掌纹 也可以用来作为身份识别的又一个有效途径3 。 生物特征识别方法种类较多，它们各有优点也有自己的不足之处。表1 1 列 出了各种生物特征特性的综合比较。 山东大学硕士学位论文 表1 1 各种生物特征特性的综合比较 生物特征酱遍性独特性稳定性可采集性 准确性 接受程度防欺骗性 d n a 高高高低高低高 人脸高低中高 低 高低 步态中 低低 高 低 高中 手型 中中中高中 中中 虹膜 高高高中高低 高 指纹中高高中高中中 学纹中高高中高中中 签名低低低高低高低 视网膜高高中低高低高 声音中低低中低高低 1 2 2 生物识别技术的现状及发展 生物识别技术并不是从近现代才开始出现的，早在古埃及时人们就开始通过 人体生物特征的测量( 如人手和人脸) 来对身份进行鉴别。中国是世界上公认的 “指纹术 发祥地，在指纹应用方面拥有非常悠久的历史，追溯中华文明的指纹 山东大学硕士学位论文 随着科学技术的不断发展，大量的人体特征都已经被查明是下一种将被商业 化的普遍流行识别方式。当然，某些人体特征还需要进行进一步的研究，可能要 经过几年或更长时间才能实现大众化；但其中的少数方法却是马上就能够投放市 场了。许多新出现的这类方法不仅需要研究其技术可行性，而且也面临着说服公 众接受的任务。例如，一种最新出现的识别方法是对耳朵形状的三维识别法。与 形状对比的概念相似，指甲床鉴别，即对手指甲下面与之相连的表皮结构进行的 鉴别，也成为又一种独特的方法。 随着信息化的进一步发展和社会对身份识别认证的要求的进一步提高，生物 特征识别技术的重要性正同益凸显。作为计算机工业的一个重要应用方向，生物 特征识别技术愈发蓬勃发展。国际生物特征识别组织( i n t e r n a t i o n a lb i o m e t r i c g r o u p ) 对2 0 0 7 - 2 0 1 2 年生物特征识别产品的市场收入进行了预测，如图1 4 所示。 从图1 4 中我们可以看出，生物特征识别的国际市场j 下在飞速增长，2 0 0 9 年全球 生物特征识别技术产品的市场份额将超过3 4 亿美元，预计到2 0 1 4 年的市场份额 将达到9 3 6 8 9 亿美元。 $ 7 j i m o o 一r 一n - ， s k 嘲冉；v 一- - 。 一 s s i m 直j 一 拍】o2 0 1 12 0 1 2zoi$201 图1 4 全球生物特征识别市场收入增长预测 1 2 3 生物特征识别系统评价参考 生物识别系统的评价参考主要是识别精度，当然也包括识别速度和系统成本 等。通常我们采用以下几个参数来对识别精度进行评价：拒识率f r r ( f a l s e r e j e c t i o nr a t e ) ，误识率f a r ( f a l s ea c c e p t a n c er a t e ) ，和总体正确识别率 1 3 o o o 触 肿触溉鲺鲺 o 口 o o o 胂 脚 觚 胍银 托缸。l 瓤 oo - lo 2o 3o 4o 5o 6o 7o 8o 91 懈 图1 5r o c 曲线的一个例子 识别速度也是一项重要的评价标准，高识别速度会使识别系统更有竞争性。 识别速度的提升涉及各个环节，包括图像采集的速度、质量、特征模板的大小、 模板检索存取速度和匹配算法等。同时，识别系统成本高低是其是否会获得更为 普遍的接受和推广的重要因素，系统整体成本的降低主要得益于硬件生产水平和 技术进步，还要依靠行业整体标准和规范的制定以增强硬件设备的互用性，扩大 生产规模降低成本。 由于生物特征各不相同，除以上评价标准外还要结合具体应用要求来进行选 择。 1 3 掌纹识别技术 人类对掌纹的研究有悠久的历史，最初起源于手相学。在中国，远在周朝( 约 3 0 0 0 多年前) ，手相学即已盛行，在西汉时代，就出现了比较完整的手相论著( 许 负相法十六篇) 。手相学的论著记载着人类对掌纹数千年的观察结果，其中有 关手掌的区分、分类、点、线、颜色等特征的描述都对掌纹识别有很大帮助。同 时，我国也是最早利用掌纹( 掌印) 进行侦察活动的国家，有文字可考、有实物 可证的距今已有二千一百余年。在唐代，掌印就应用于文书契约上，至少到了宋 代，手印已正式作为刑事诉讼的物证了。二十世纪九十年代，香港理工大学生物 识别技术中心就展开了基于掌纹的生物识别研究工作。 i s 山东大学硕士学位论文 1 3 1 掌纹特征定义 掌纹是指手腕与手指之间的手掌表面上的各种纹路3 1 ，掌纹的形念由遗传基 因控制，即使由于某种原因表皮脱落，新生的掌纹线也保持原来的纹路。每个人 的掌纹纹线都不一样，即便是孪生同胞也只是会相似，不会完全相同。掌纹最明 显的特征就是每个人手掌都有的三条主线就是所谓的生命线、感情线和智慧线， 其次是介于主线和乳突线之间的细小褶皱还有一些关键点，如图1 6 所示。事实 上，为了减少掌纹图像的信息量，我们采取了与指纹相反的皮纹信息获取方法， 即利用低分辨率的掌纹图像，以至于类似指纹的乳突线已被去除。近几年研究表 明，掌纹特征信息主要包括主线特征、褶皱、细节点、三角点和纹理特征等。 其中，主线特征( p r i n c i p l el i n e ) 包括掌纹主线以及其他明显的纹线。其 中掌纹主线是掌纹中相对最稳定、最具特点的信息集合之一，一般来说根据这些 主线特征就能大致确定被识别者的身份；褶皱( w r i n k l ea n dr i d g e ) 是指那些介 于主线和乳突线之间的、较细小的、杂乱无章的手掌皮纹；由于手掌上也包含很 多和指纹上一样的乳突纹，所以和指纹识别一样，在手掌也可提取这些乳突纹的 细节点特征，就是所谓的细节点( d a t u mp o i n t ) ；三角点( d e l t ap o i n t ) 是乳突 纹在掌纹上三角区域的中心点。这些三角区域通常位于手指根下面的区域，在靠 近手腕的区域也有三角区域。实际上，我们可以把整个掌纹都看作是一种纹理， 然后用纹理特征分析的方法来处理。还有结构特征和几何特征，例如主线的长度、 位置和方向等，手掌的宽度、长度，以及主线与主线之间的结构关系等。 从上面所述可以看出，掌纹中所包含的信息远比指纹包含的信息丰富，利用 掌纹的纹线特征、点特征、纹理特征和几何特征等完全可以确定一个人的身份。 因此，从理论上讲，掌纹具有比指纹更好的分辨能力和更高的鉴别能力。 1 6 山东大学硕士学位论文 1 3 2 掌纹识别的发展历史 图1 6掌纹图片 k m a t s u m o t o 在1 9 8 5 年发表论文p a l m r e c o g n it i o ns y s t e m ：a ni d e a lm e a n s o fr e s t r i c t i n ga c c e s st oh i g h s e c u r i t ya r e a s ，首次提出通过掌纹识别系统 对人的身份进行认证的概念。但当时掌纹识别并没有像人脸识别一样成为生物特 征识别的主流。直到1 9 9 7 年，b o l e sww 和c h usyt 在论文“p e r s o n a l i d e n t i f i c a t i o nu s i n gi m a g eo fh u m a np a l m ”中提出了掌纹识别系统的原型。 1 9 9 8 年香港理工大学的张大鹏教授等人开始了掌纹识别方法的研究n4 1 ，并提出了 空域方法。2 0 0 0 年赵明和l u 等尝试了对掌纹图像代数特征的提取，并设计了基于 主成分分析的掌纹自动识别方法引。2 0 0 2 年，n i c o l a ed u t a 和a n i lj a i n 提出了 基于点的特征提取与匹配，同年，李文新等人将傅里叶变换应用到了掌纹特征提 取当中引。a j a yk u m a r 和a n i lj a i n 于2 0 0 3 年提出了基于全局统计特性的方法， 同年，t e ec o n n i e 和a n d r e wt e o h 等人首次将p c a 和i c a 方法结合起来运用到掌 纹识别系统中 1 7 o 中国台湾省台南工学院的c h i h - l u n gl i n 和他的同事们在2 0 0 5 年提出了一种基于层次结构分解的掌纹验证方法n 引；哈尔滨工业大学王宽全教授 领导的生物特征识别研究中心，和张大鹏教授的研究团队合作十分密切，共同取 得了很多成果n 姚，其中著作 2 2 是国内第一部关于掌纹识别技术的学术专著，该 书较为详细地总结了近几年来著者在掌纹识别领域的研究成果。 在所有的上述研究中，基本上是处于理论和算法研究的实验室阶段，张大鹏 教授设计的原型系统在其所在的实验室投入试用，如图1 7 所示，但是，他们的 1 7 山东大学硕士学位论文 有脱离微机的计算能力的支撑，体积较大。据我们所知，目前尚无成熟的 入式掌纹识别产品投放市场。 图1 8 香港理：i ：人学研制的掌纹识别系统 山东大学硕士学位论文 第二章掌纹识别系统及感兴趣区域的提取 2 1 掌纹识别系统的组成 掌纹识别系统由训练样本录入阶段和测试样本分类阶段两部分组成，如图2 1 所示。训练样本录入阶段由以下步骤完成：首先对采集的掌纹样本进行预处理， 然后进行特征提取，把提取的掌纹特征存入特征数据库中留待与被分类样本进行 匹配。测试样本分类阶段是对获取的测试样本经过与测试样本相同的预处理、特 征提取步骤后，送入分类器进行分类。以上两部分都包括掌纹图像采集、预处理 和特征提取三部分。 其中掌纹图像的采集主要是完成对掌纹图像的获取，这一步获取的掌纹图像 的质量非常关键，要求掌纹图像的清晰度高，受环境影响较小，并且对图像采集 的速度有一定要求，同时要求能够实现简单方便的采集，用户接受程度高。一般 采集的是二维灰度图像。 预处理是指图像进行优化，如分割、去噪声、消除旋转和平移等，以便更好 的进行掌纹特征的提取和后续步骤。其中二值化、图像增强( 如邻域平均、中值 滤波等) 、边缘特征提取( 如r o b e r t s 、s o b e l 、p r e w i t t 算子等) 、细化( h i l d i t c h 、 p a v l i d i s 、r o s e n f e l d 算子等) 、正交变换( 如傅里叶变换、沃尔什变换、小波变 换等) 等都是常用的预处理方法。 掌纹特征提取部分需要实现的是定义和提取稳定的、区分能力强的识别特征， 这是掌纹识别中最重要的一个环节，特征提取的好坏直接影响整个系统的识别率。 通常要求提取的特征使类内距离小，类间距离大，同时还要考虑算法的耗时和存 储空间的大小。 分类是将样本的特征空间划分为类型空间。对于给定的未知模式，确定其为 类型空间的某种类型。特征提取和选择在很大程度上影响了分类的效果，而好的 分类器设计和方法也会提高系统分类性能。 1 9 山东大学硕士学位论文 注 册 识 别 2 2 掌纹图像采集 图2 1 掌纹识别系统组成框图 目前采用的掌纹图像主要分脱机掌纹图像和在线掌纹图像。脱机掌纹是指先 采集掌纹图像，然后将图像输入到计算机中；在线掌纹是指直接将图像输入到计 算机中。 脱机掌纹采集主要有两种方式：( 1 ) 墨迹掌纹1 ：是在手掌上涂上油墨，然 后在一张白纸上按手掌印，再通过扫描仪进行扫描得到数字化的图像，如图2 2 ( a ) 所示。由于这种采集方式不容易被接受，而且图像质量容易受手掌用力程度 及纸张质量影响，中央部分的信息易丢失。( 2 ) 相机拍照幽3 ：利用数码相机拍摄 掌纹图像再输入计算机。这种方式得到的掌纹细节点不如墨迹掌纹清晰，如图2 2 ( b ) 所示。 在线掌纹图像采集也有两种方式：( 1 ) 扫描仪采集瞳5 矧：用扫描仪直接采集手 掌图像。这种方式采集掌纹图像的速度主要取决于扫描仪的速度，采集的掌图像 如图2 2 ( c ) 。( 2 ) 基于c c d 的方式：这种采集方式由香港理工大学生物识别研究 中心设计开发。通过这种方式可以快速获取掌纹图像，采集的掌纹图像如图2 2 ( d ) 所示。 本文采用的掌文库是来自香港理工大学的人体生物特征识别中心( b r c ) 的p o l y up a l m p r i n td a t a b a s e 。香港理工大学计算机系b i o m e t r i cc e n t e r 所 的掌纹采集设备，采集环境是半封闭的，通过定位装置可基本固定用户手掌 置，图像质量相对比较稳定。目前该掌纹库里共有来自3 8 6 个掌纹的7 7 5 2 幅掌纹 图片，图像一律采用b m p 格式存储。几乎每人2 0 幅掌纹图片分两次采集，两次采 集之间问隔两个月，每次每人采集l o 张，该方法采集掌纹图片时，手掌是放在仪 器的固定位置处，这样避免了选取掌纹图片时角度不同和因离摄像头远近而引起 l c 卿 图2 2 ( a ) 墨迹掌纹图像( b ) 相机拍照图像 ( c ) 扫描仪采集的图像( d ) c c d 方式采集的图像 ( a )( b ) ( c )( d ) 图2 3 掌纹库中四幅来自两只手掌的样本图像( 其中，a 、b 为同一人掌纹) 2 1 山东大学硕士学位论文 的比例不一致以及亮度不同等问题。由于该掌文库中并不是所有的手掌都有二十 幅图片，有的l t ：- 十幅多，有的则不足，这样不利于处理，所以本文在使用该数 据库时，去掉了部分不足2 0 幅样本的掌纹图片，多于二十幅的只取了其中二十幅 图片，因此本文实际用到的图片为3 7 8 个掌纹的7 5 6 0 幅掌纹图片。图2 3 给了几 幅该掌文库中的样本，其中a 和b 来自同一只手掌，c 和d 来自同一只手掌。 2 3 掌纹感兴趣区域的获取 通常采集设备采集到的图片中包含很多信息，但并不是所有的信息对我们都 是有用的。在掌纹识别中我们所感兴趣的主要是手掌中心的一块区域，所以对所 获取的图像在进行特征提取之前，我们需要对其进行预处理，从图像中切割出我 们感兴趣的区域便是预处理中的重要一步。目前，对联机掌纹图像采集来讲，主 要有三种定位分割算法：张大鹏等人提出的基于掌纹轮廓特征点定位算法；基于 最大内切圆的定位分割算法；基于形态学算子的定位分割算法。下面将重点介绍 本文将采用的基于最大内切圆的定位分割算法。 一副图像用f ( x ，y ) 表示，这罩的x ，y 指图像的空间坐标，而在任意( x ， y ) 上的f 值j 下比于图像上的狄度值。已知掌纹图像i ( i ，j ) 的高度为h ，宽度 为w ，背景灰度值不大于t ，最大内切圆半径不大于8 5 个像素点距离。所以以每个 像素点为圆心的最大内切圆半径初始值r = 8 5 ，掌纹图像的最大内切圆半径初始值 r = 8 5 。 a 以像素点( 1 2 0 ，8 5 ) 为圆心的初始值，计算以该点为圆心，以r = 8 5 为半 径初始值的圆周上每一像素点的坐标值( x ，y ) 。并判断圆周上的点是否落 在掌纹图像背景范围内，也就是判断i ( x ，y ) t 是否成立。 b 若i ( x ，y ) t 不成立，即i ( x ，y ) t ，则说明以点( i ，j ) 为圆心的 最大内切圆半径不小于r = 8 5 ，则令r = r + l ，圆心( i ，j ) 不变，继续计算 以改点为圆心，以r 为半径的圆周上的每一像素点的坐标值( x ，y ) 。继续 判断此时圆周上所有点( x ，y ) 是否落在掌纹图像背景范围之内，也就是 判断i ( x ，y ) t 是否成立。如此r 一直增长下去直到找到使i ( x ，y ) t 成立的r 值，转d 。 ，誓 山东大学硕士学位论文 c 若i ( x ，y ) t 成立，则说明以点( x ，y ) 为圆心的最大内切圆半 于r = 8 5 。 d 判断此时r 与r - 1 的大小，若r r - 1 ，则r 值不变，圆心坐标( o x ，o y ) 也不变，改变圆心( 转a 。 f 当圆心( i ，j ) 遍历( 1 2 0 ，1 8 5 ) ( 1 7 0 ，2 6 0 ) 范围内的所有像素点后， 将得到的最大的r 值和此时r 所对应的圆心位置( o x ，o y ) ，即求得了掌纹 图像最大内切圆的半径r 和圆心( o x ，o y ) 。在寻求最大内切圆圆心和半径 时，可根据原掌纹图像进一步缩小圆心的遍历范围，从而可以大大减少整 个算法的计算量和所耗时间。 按照上述方法把掌纹库中的掌纹图像分别求取最大内切圆的圆心和半径。其 中图2 4 ( a ) 为根据原始掌纹图像确定的最大内切圆圆心和半径，图2 4 ( b ) 为从图 2 4 ( a ) 中分割出的掌纹图像的圆形有效区域，图2 4 ( c ) 为以图2 4 ( b ) 的圆心为中 心分割出的大小为1 2 8 1 2 8 的正方形区域。 ( a ) ( b )( c ) 图2 4由掌纹库得到的内切圆及截取的有效区域 实验结果表明，针对本文所使用的掌纹数据库在对原掌纹图像既不需要基本 的图像预处理和任何边缘检测操作的情况下，均能求得最大内切圆。作掌纹图像 间旋转平移校正时，图像围绕最大内切圆圆心旋转，其有效区域内的掌纹图像始 终不会旋转到掌纹图像范围以外而导致无法匹配；同一类掌纹的不同图像的最大 山东大学硕士学位论文 暑皇曼鼍皇皇詈曼! ! 暑曼鼍詈曼曼! 皇舞ii 曼! 皇! 鼍皇! ! ! ! 詈曼詈曼! ! 曼暑詈鼍詈曼詈! 曼詈! ! 皇曼! ! 詈詈暑詈! ! ! ! ! 鼍! ! 曼詈皇! ! 曼! 曼! ! 曼皇鼍 内切圆相对于整个手掌图像的位置比较固定，可以作为匹配识别时定位的参考。 与其他确定和分割有效区域的方法相比，文献 2 8 提出的基于最大内切圆的 方法不需要基本的图像预处理和任何边缘检测及角点检测，计算方法简单，鲁棒 性好，基本不受图像质量的影响，也不会造成一些掌纹图像( 手掌伸展不够、手 掌位置摆放不正确和四指分开不够等原因引起的) 被错误定位分割或者不能定位 分割而被抛弃的现象。 本文所用掌纹图像来自香港理工大学人体生物特征识别中心公布的p o l y u 掌 纹数据库，掌纹图像大小为3 8 4 x 2 8 4 ，所提取的感兴趣区域为1 2 8 x 1 2 8 。测试掌 纹库共包含有3 8 6 人的7 7 5 2 幅掌纹图像，运用最大内切圆法和关键点法进行提取 的结果如表2 1 所示。由于最大内切圆算法具有上述优点，所以本文采用最大内 切圆法作为本文的掌纹定位切割方法。 表2 1p l o y u 掌纹数据库r o i 提取结果 提取方法样本总数正确提取正确提取率总耗时( s )平均耗时( s ) 内切圆 7 7 5 27 7 2 49 9 6 4 1 7 5 7 9 6 80 2 2 7 6 关键点法7 7 5 2 7 6 7 59 9 0 1 1 5 7 8 4 0 60 2 0 5 7 在掌纹识别系统中，掌纹预处理和感兴趣区域的掌纹提取结束后，需要进行 掌纹特征的提取，我们将在下一章中对掌纹特征提取算法进行一个总体上的阐述。 i 山东大学硕士学位论文 第三章特征提取算法 在模式识别系统中，特征提取与选择方法的优劣极大地影响着分类器的性能 和设计，它是模式识别三大核心问题之一。特征提取与选择的基本任务是研究如 何从众多特征中求出对分类识别最有效的特征，从而实现特征空间维数的压缩， 特征提取算法的好坏很大程度上决定了系统识别率和效率的高低，对于掌纹识别 系统而言，能否有效地进行特征提取和选择，是下一步的匹配算法是否能够高效、 准确的进行识别的关键。因此在掌纹识别过程中，特征提取占据着非常关键的位 置。按照分析和描述的方式，掌纹的特征提取方法大致可分为如下四类：基于结 构的特征提取、基于时频分析的特征提取、基于统计的特征提取和利用子空间方 法的特征提取。下面分别阐述这四种方法。 3 1 基于空域一频域变换的特征提取 基于空域一频域变换的特征提取将原始空域掌纹图像变换到频域，在频域内定 义并计算若干特征变量，作为特征提取的步骤，也被称为谱分析( s p e c t r a l a p p r o a c h ) 。常见的有傅里叶变换，g a b o r 变换，小波变换等。 3 1 1 傅里叶变换 傅里叶变换是将一个信号函数分解为众多的频率成分，而这些频率成分还能 够重构原信号函数。设一个时域内的信号f ( t ) ，其傅里叶变换和傅罩叶反变换可 分别表示为： f ( “) = j f ( t ) e - j 2 * d t 厂( f ) = p ) e j 2 x u t d u ( 3 - 1 ) ( 3 - 2 ) 下，傅里叶变换仍是比较理想的信号处理方法。频率的分布很大程度上描述了信 号的主要特点。 傅罩叶变换在图像处理领域中的应用最为广泛，它主要适用于图像增强和特 征提取。w e n x i nl i 2 9 发现可用频域内能量聚集的紧密程度来反映空间域内掌纹 图像中纹理的疏密和深浅。一般的，掌纹图像上的褶皱越深，其频谱图像上的相 应信息分布就越涣散。w e n x i nl i 最先将掌纹图像经傅里叶变换到频域中进行处理， 并定义了r 一特征和目特征来描述变换后的掌纹特征。r 一特征表征频域图像在极坐 标系中沿极半径方向的能量变化趋势，定义为极坐标中每个同心环状区域上的能 量总和。秒特征定义为按角度划分的频域子区域图像内的能量总和。其中，频域分 割图如图3 1 所示。 ( a ) r 特征 图3 1 频域分割图 震翻 隧溺 ( b ) 秒带征 山东大学硕士学位论文 3 1 2 小波变换 小波变换是一种非常流行的图像处理方法，它提供了很好的空域和频域的定 位属性，非常适合描述多分辨率下的图像边缘特征，已经被应用到纹理特征的提 取和图像的去噪中。 苏晓生在文献 3 0 中尝试使用h a r r ，d a u b e c h i e s 和s y m l e t 小波对原始灰度 图像进行二维小波分解，经过s 级分解后得到3 s + 1 幅图像，去除代表图像水平和 垂直两个方向低频成分的图像，对剩余的3 s 幅子图像中的每一幅求归一化的2 范 数，得到长度为3 s 的特征向量，作为基于小波变换提取的掌纹特征。 3 1 3g a b o r 小波变换 针对非平稳信号的研究工作最早是从二十世纪四十年代开始的。1 9 4 6 年g a b o r 在“通信理论”的经典论文中强调指出：“迄今为止，通信理论的基础一直都是由 信号分析的两种方法组成的：一种将信号描述成时间的函数，另一种将信号描述 成频率的函数( f o u r i e r 分析) ，这两种方法都是理想化的。然而，我们每一天的 经历特别是我们的听觉，却一直是用时间和频率两者来描述信号的“。 正是在这一思想下，他提出了著名的g a b o r 变换( 也称加窗f o u r i e r 变换或 短时f o u r i e r 变换) ，g a b o r 变换继承了f o u r i e r 变换所具有的“信号频率”这样 的物理解释，同时克服了f o u r i e r 变换只能反映信号的整体特征而对局部特征没 有任何分析能力的缺陷，为信号处理提供了一种新的分析和处理工具，即信号的 联合时频分析。 最近二三十年，随着神经生物学和小波变换技术的发展，g a b o r 函数逐渐演变 成二维g a b o r 小波的形式。当直接采用图像像素的灰度值进行掌纹识别的时候， 模式特征容易受到掌纹图像各种几何变换和光照条件的影响，难以取得很高的识 别精度。二维g a b o r 小波能够捕捉对应于空间位置、空间频率和方向选择性的局 部结构信息，适合于掌纹图像的表示。 ( 1 ) g a b o r 变换的应用领域 目前为止，g a b o r 变换的应用领域非常广泛。一维的g a b o r 变换常用于暂态信 号的检测、时频分析等。自1 9 7 8 年，g r u a n d 等首次将二维g a b o r 变换引入到计算 山东大学硕士学位论文 进行各种分析。小波变换使用一组滤波器函数与给定信号的卷积来表示或逼近一 个信号。二维g a b o r 滤波器的函数形式表示如下： 旧= 譬州一唑竽槲韵一时和协9 ) 弓= 鼢k c o s 够) 协 其中，元为给定位置的图像坐标，乃为滤波器的中心频率，吼体现了滤波器 | l