（模式识别与智能系统专业论文）掌纹特征比对与识别方法的研究.pdf

中文摘要 中文摘要 近年来，生物特征识别技术以其稳定可靠的特点逐渐成为身份鉴别领域的 研究热点。掌纹作为生物特征的一种，具有易于获取、特征稳定、数据量大等 优点，已经越来越引起人们的关注。 本文面向刑侦领域的需求，围绕掌纹自动鉴别技术中的一个重要环节 掌纹特征比对进行了深入研究。 在刑侦领域的实际应用中，需要快速精确的特征比对机制以完成质量低下 的残缺现场掌纹图像与海量数据库的比对，需要可靠的计分机制对比对结果作 出高可信度的描述，同时也需要实现多种模式下的掌纹比对。基于以上特点， 本文在对传统特征比对算法的分析基础上，阐述了一种基于局部结构特征的分 阶段比对算法。算法以掌纹局部信息为依据，可以进行脱机掌纹图像的无中心、 3 6 0 度旋转比对，对于残缺和质量不好的掌纹图像也同样适应。基于这种比对模 型，本文提出了一种高可信度的多条件计分机制，结合多种依据，对比对结果 进行了全面的评估。在此算法基础上，本文综合几种优化机制，建立了完整的 比对应用流程，并将其应用于多模式的掌纹比对中。 大量真实数据的评测结果表明，。本文提出的掌纹特征比对机制具有稳定性 和有效性，基本满足刑侦领域的现实应用需求。 本文的研究成果应用于国内第一套针对刑侦领域应用的掌纹自动鉴别系 统，具有重要的应用价值和产业价值。 关键字 生物特征识别i 掌纹、身份鉴别、特征比对、细节点 a b s 廿a c t a b s t r a c t hr e c e n ty e a r s ，b i o m e 砸c s ，b a s e do ni t ss t a b i l i t y 锄dr e l i a b i l i t y ，h a sb e c o m et h e p o p u l a rp e r s o n a li d e n t i 6 c a t i o nt e c h n 0 1 0 9 yt h ep a l m p r i n t ，船a n do fb i o l o 百c a l f e a t u r e ，c 锄b ec o l l e c t e de 踮i l y a n dp m v i d ew i t hs t a b l ef 色a n n 柚db u l kd a t a s ( ： m o r e 锄d m o r ea t t t i o nh 船b e e n p a i d t o i t j 1 r h i sp 印c rc o n c e n 呦t e so n1 s e a r c h j n gt h ep a l m p r i n tf e a t u r em a t c k n gm e t l l o d ， t h ei m p o n a n tp m c e s so fa u t o m a t i cp a l l i l 两n ti d e n 廿f i c a t i o nt e c h n o l o g y f a c i n gt 妊 n e e do fa p p l i c a t i o ni nt h ec 血n i n a li n v e s t i g a t i o nf i e l d i nt h ec d m i n a ii n v e s t i g a t i o nf i e l d ，i ti se s s e n d a lt of i n daf a s ta n dp r e c i s ef e a t u r e m a t c h i n gm e c h 锄i s mf o rm a t c t l i n gf m g m e n t a f yp a l m p r i n to fp o o rq u a l i t yi nt h ec n m t s c e n ew i t lt h e 血t a b 船ec 叫t a i n i n gag r e a tn u m b e ro fp a l m 曲n t ，t og e tar e l i a b l 气 s c 嘶n gs o l u t i o nf o rj u d 舀n go b t a i n e dr e s u l t s ，柚dt or e a l i z em em a t c h i n gi nd i 丘e r e n t m o d e s o nt | l eb 鹊i so ft | l ea b o v er 。q i l i r e m e n t s 锄dm e 锄a l y s i so nt r a m t i o n a r e c o g n i t i o n - m e t h o d s ，ah i e r a i c h i c a lm a t c t i i n ga l g o r i t i l mb 船e do nl o c a ls m l c t u 心 f e a t u r ei se x p a c i a t e d t h ea l g o r i t | l ma c c o r d i n ga sn e i g h b o r h o o di n f o 姗撕o nc 牡 r e “z et h em a t c h i n go fo 昏l i n ep a l m 研n ti m a g e sw 油3 6 0d e 缈em t 撕o n ，卸di sa l 髓 f i tf o rt h ef r a g m e n t a r yp a l m p r i m b 髂e do nt t l em a t c h i n gm o d e l ，ah i g h l yb e l i e v a b k s c 州n gm c c h a i l i s mi sp m p o s e d t h em a t c l l i n gr e s i l l t sh a v eb ne v a l u a t e dw h o l 睁 c o m b i n i n gw i t l lm 卸yf a c t s 1 1 1 e ni n t e 孕a t e dm a t c t l i n ga p p l i c a t i o na r c h i t e c t i l r eh 越 b e e nd e m o n s t m t e dw 油s e v e m lo p t i 皿z e dm e m o d s ，w t l i c hh 觞b e e nu s e dt m u l t i m o d ep a l m p r i n tm a t c h i n gs o l u t i o n s t h et e s tr e s u l t ss h o wt h es t a b i l i t ya i l dv a l i 出t yo ft h em a t c h i n gm e c h a n i s m ，w h i c c a l lm tt h eq u a l i f i c a t i o no ft i l ec r i i i l i n a li n v e s t i g a t i o nb a s i c a l ly t h er e s e a r c hr e ；u l ti nt h i sp 印e ri st h ef l r s td o m e s t i c 叭t o m a t i cp a l m p r i n l i d c n t i f i c a t i o n s y s t e mf o rt h ec r i i i l i n a li n v e s t i g a t i o n 印p l i c a t i o n ，w l l i c h h a s 山( i m p o r t a i l ta p p l i c 撕o na i l dc o m m e r c i a lv a l u e k e y w o r d b i o m e 廿i c s ，p a l m p r i n t ，p e r s o n a li d e n t i f i c a t i o n ，f c a n 聪m a t c i l i n g ，h 伍n u t i a e 内容目录 图2 1 掌纹特征示例图 图目录 图2 2 捺印掌纹多样性示意图 图2 3 捺印掌纹旋转随意性示意图 图2 4 现场掌纹示意图 图2 5 掌纹特征比对方法模型 图2 6 局部结构模型 1 5 ： 1 6 1 7 图2 7 掌纹特征点局部结构示意图 图2 - 8 局部特征向量的构造模型 图3 1 掌纹比对系统结构图 图3 2 伪点增加和真点丢失 图3 3 局部非线性变形 图3 4 比对算法核心处理流程图 图3 5 特征点类型的变化 图3 6 对顶点示例图 图3 7 重要特征示例图 2 6 2 9 3 3 3 3 墙一 矽 加。 筋 拍 内容目录 图3 8 掌纹t 型分区示意图3 5 图3 9 掌纹比对应用流程图3 7 图4 1 掌纹示例图4 3 v i i 内容目录 表目录 表1 1 各种生物特征的性能比较 1 表4 1 比对速度测试结果。4 1 表4 2 比对精度测试结果 表4 3 抗平移、旋转测试结果 表4 4 不同质量掌纹比对精度测试结果 v 4 2 4 4 南开大学学位论文版权使用授权书 本人完全了解南开大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学棱有权保存学位论文的印剧本和电子舨，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印传和奄子版；在不以赢利为羁的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名：j 豸磊k 烈年箩胃 1 日 经指导教师同意，本学位论文属于保密，在年解密后适用 本授权书。 指导教师签学位论文作者签 名：名： 勰密时年月醴 阅； 各密级的最长保密年限及书写格式规定如下： 南开大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任 由本人承担。 学位论文作者签名：? 弓秘 矽毛年岁月 f 日 第一章绪论 第一章绪论 第一节前言 生物特征识别技术，或称生物测定技术( b i o m e t r i c s ) ，是依据人类本身所固 有的生理特征或行为特征，通过模式识别和图像处理的方法对个体身份进行自 动识别的一类技术。 和传统的个人身份鉴定方法相比，生物特征识别技术具有以下优点： ( 1 ) 不易遗忘或丢失： ( 2 ) 防伪性能好，不易伪造或被盗： ( 3 ) 可随身携带。 生物特征识别技术充分利用了人体特征的广泛性、唯一性、稳定性和可采 集性，提供了相对安全方便、快速准确的身份识别方法，已经广泛应用于军事、 公安、政府、民用和商业等领域。 基于不同的生物特征，人们发展了指纹识别、手形识别、掌纹识别、虹膜 识别、人脸识别、语音识别、签名识别、步态识别等多种生物特征识别技术【l “， 它们各有优缺点，适用于不同的范围，其性能比较如表1 1 。 表1 1 各种生物特征的性能比较 生物特普遍性唯一性稳定性可采集准确性可接受防伪性 征性 性 一 指纹 中高 向 由 高中高 人脸高低中高 低高低 虹膜高高高中高 低高 手形中中 由 高中 由由 掌纹高 由 中中 由 中高 语音 中1低 低 中 低高低 签名低低低高低 高低 掌纹作为生物特征的一种，同指纹、人脸、手形等其他生物特征相比具有 以下特点： 第l 页 第一章绪论 ( 1 ) 掌纹中含有和指纹类似的脊线、谷线等基本结构，因此具有唯一性和终 生不变性； ( 2 ) 掌纹的区域较指纹大的多，可以比较容易选取质量较好的掌纹块用来提 取细节特征； ( 3 ) 掌纹中还有其他一些特征( 如屈肌纹、皱纹等) 也具有唯一性和稳定性 且可以在低分辨率图像中提取，也不易受噪声干扰： ( 4 ) 在高分辨率的掌纹图像中，可以综合利用掌纹的几何特征、细节特征和 纹线特征等来达到高精度的识别。 随着计算机与网络技术的飞速发展，掌纹识别技术的应用领域将更为广泛 和不断拓展。 第二节国内外研究工作综述 1 2 一生物特征识别技术的研究概况 人类利用生物特征识别的历史可追溯到古代埃及人通过测量人体各部位的 尺寸来进行身份鉴别。考古学家在公元前7 0 0 0 年到6 0 0 0 年前的中国古代遗址 中也发现一些依靠拇指指纹做身份验证的例子。 1 9 世纪中叶，巴黎法官a l p h o n s eb e n i l l o n 利用人的体态来判定罪犯，将生 物特征识别技术运用于法庭科学的司法鉴定。h f a u l d 于1 8 8 0 年在英国n a t u r e 杂志上发表论文，指出指纹具有唯一性和终生不变性，这使得指纹在犯罪鉴别 中得以正式运用( 1 8 9 6 年阿根廷首次应用) 。 现代生物识别技术始于2 0 世纪7 0 年代中期，至今已有3 0 多年的历史。最 早的商业系统i d e n t i m a t 开发于1 9 世纪7 0 年代，采用手形和手指的长度进行身 份识别。同一时期，自动指纹识别系统在司法公安领域得到了广泛的使用。 由于计算机的广泛应用和模式识别理论的发展，在司法领域取得的成功也 大大推进了生物特征识别技术往民用方向的发展。近年来，以生物特征识别为 核心的技术和产品发展很快。1 9 9 8 年5 月，美国举行了题为“b i o m e 砸c s 锄df u t u r e o f m o n e v ”的听证会，讨论了关于生物特征身份认证技术应用于银行、金融以及 个人信息安全领域的情况，一致认为该技术将影响到人们现有的生活方式和商 业模式。“9 1 1 ”以后，美国政府又连续签署了3 个国家安全法案，要求采用生物 第2 页 第一章绪论 特征识别技术作为法律实施保证。2 0 0 3 年6 月，联合国国际民用航空组织公布 了生物技术的应用规划。规划提出，将在个人护照中加入生物特征( 指纹、虹 膜和人脸) ，并在进入各个国家边境时进行个人身份确认。目前此规划己在美国、 欧盟、澳大利亚、日本、韩国、南非等地区和国家通过，并将在近期逐步实施 推行。据m g ( 国际生物集团) 统计，到2 0 0 5 年底，全球生物特征认证技术的 市场将达到2 2 亿美元，并以每年超过8 0 的速度增长。 生物特征识别广阔的应用前景推动着理论研究的发展，美国在这一领域的 研究水平处于世界最前沿。c r i b r ( c 即t e r f o ri d e n t i f i c a t i o nt e c h n o l o g yr e s e a r c h ) 是美国自然科学基金工业大学合作研究中心成立的第一个实验室，致力于研究 飞速发展的生物特征识别技术，为政府机构和企业提供服务；密歇根州立大学 ( m i c h i g a t ls t a c eu n i v e r s i t y ) 的生物特征识别研究组在指纹识别、人脸识别、多 生物特征识别等领域进行了深入的研究：意大利b o l o g n a 大学的生物特征识别系 统实验室在指纹、人脸、手形、性能评测以及多模式生物特征识别方面取得了 很多研究成果：c l a r l 西o n 大学、s t l a w r 即c e 大学、剑桥大学也分别在生物特征 识别设备的实时检测、系统的性能评估以及虹膜识别等领域进行了许多创新研 究。此外，很多公司如n e c 、i r i d i 卸、b i o d 等也都成立专门的研究机构或研究 团队开发各种基于不同生物特征的识别系统。1 9 9 8 年，c o m p a q 、m m 、i d e n t i c a t o r 等公司成立了b i o a p i 联盟，目标是建立一个标准生物函数库a p i ，使各公司可 以在公共的平台上相互合作进行开发。 在国内，清华大学在8 0 年代开始指纹识别的研究。中科院自动化所模式识 别国家重点实验室自9 0 年代以来，一直致力于“基于生物特征的身份鉴别”的 研究，在指纹、虹膜、人脸识别等方面已经取得了很多的研究成果。由美国摩 托罗拉公司和国家科委共同组建的先进人机通信技术联合实验室在人脸识别与 确认的核心技术研究已跨入国际先进行列。香港理工大学的生物特征识别研究 中心也针对掌纹、指纹、语音等多种生物特征开展了多方位研究。 同时，生物特征识别技术在国内企业界也开始受到广泛的关注，北大高科 等公司陆续开展了这方面的研究工作。行业内已有厂家2 0 0 多家，指纹识别技 术占了9 6 ，但产业规模较小，先进技术和产品化方面与国际水平还有一定差 距，某些专门法律和技术标准尚不完善。中国在如何开发出具有自主知识产权 并具有国际竞争力的实用性生物特征识别产品方面还有很长一段路要走。 第3 页 第一章绪论 1 2 2 掌纹识别技术的研究概况 依据样本采集方式的不同，掌纹自动识别可分为联机和脱机两类。联机方式 是通过特殊的掌纹采集设备直接获取活体掌纹图像并进行实时处理。这样采集 的掌纹是完整的，图像质量相对稳定。脱机方式处理已经存在的掌纹图像一 般为油墨捺印掌纹通过扫描而得到的数字图像，这种方式下图像质量无法得到 保证，有时甚至无法获得完整的掌纹图像。最早的有关掌纹的研究主要以脱机 识别为主，随着计算机技术的发展和掌纹采集设备的多样化，对掌纹联机识别 的研究越来越多。 ： 1 9 8 5 年，m a t s u m o t o 和ka _ t s u h e i l 5 】首次对利用掌纹进行身份鉴别做了初步的 研究。到目前为止，研究人员尝试了许多掌纹识别方法，主要有基于结构特征 的识别方法和基于统计特征的识别方法： ( 1 ) 基于结构特征的掌纹识别方法 1 9 9 8 年，日本n i 公司的j f u n a d a 等人嘲提出了一种通过消除掌纹图像中 的皱纹从而提取脊线特征的方法。1 9 9 9 年，束为和d a v i dz i l a l l g 等口删应用数据 点不变性检测掌纹基准点，并在空间域中抽取和匹配主纹线和皱纹等线特征来 进行完整捺印掌纹的脱机识别。2 0 0 2 年，d u t a 掣删提出一种基于点的特征提取 和匹配方法，该方法沿掌纹上比较明显的纹理提取特征点和相关纹线的方向 将纹线匹配转化成两个特征点集之间的匹配。y 0 u 等】提出一种分层算法，该算 法利用全局纹理能量先找到一个掌纹的候选子集，再利用特征点提取和匹配方 法在该子集中进行匹配查找。 在这类方法中，直接从掌纹图象中抽取主纹线和皱纹较为困难，因此不能保 证较高的识别率。 ( 2 ) 基于统计特征的掌纹识别方法 2 0 0 2 年，u 卸d 办a i l g 等利用傅立叶变换将掌纹图像由空域变换到频域中 抽取能量分布特征并进行匹配。2 0 0 3 年，瑚a r 等提出【l3 】一种基于全局统计特 征的提取与匹配算法。c h i n c h u a l lh 锄等【1 4 】采用s o b e l 算子和形态学算子抽取掌 纹r o i 区域中的纹理特征并用多模板匹配和神经网络进行比对。w 撕磁n gk o n g 和d a v i d 功a i l g 等1 5 1 刀提出了基于g a b o r 滤波的方法。李文新提出了基于纹 理能量的方法。另外，还有基于k l 变换的方法2 川基于小波变换的方法等2 1 0 “。 但是，这类方法忽略了掌纹中存在的丰富的局部结构特征。 第4 页 第一章绪论 ( 3 ) 其他方法 k u n g 等2 如设计了一种基于决策的神经网络分类器并将其应用于人脸识别和 掌纹验证。p a u ls w u 等2 4 t 2 5 1 提出了基于堆栈滤波器的金字塔法和金字塔自适应 动态h o u g h 变化法。 第三节本文研究工作背景 1 3 1 研究问题的提出 根据应用方式的不同，掌纹识别系统的工作模式可分为两类：验证模式 ( v e r i f i c a t i o n ) 和鉴别模式( i d 朗t i f i c a t i o n ) 。 验证模式是一对一的比对，现场采集的掌纹特征与保存在模板数据库中的 对应掌纹特征进行比对，以判断两个掌纹样本是否来自同一个人。验证模式通 常用于确定性识别，一般适用于比较小型的民用和商用系统。从目前研究现状 来看，手掌几何尺寸获取方便，并具有可分类性；掌纹纹线特征具有唯一性、 稳定性和不易仿造的特点，并可在低分辨率图像中提取。因此，掌纹身份验证 系统一般在完整掌纹中提取几何特征、纹线特征和纹理特征来进行比对。 鉴别模式是一对多的比对，将现场采集到的掌纹特征与模板数据库中的掌 纹特征逐一比对，从中找出相匹配的掌纹特征信息。鉴别模式主要应用于罪犯 鉴别等场合。 通过对大量研究成果和学术论文的总结发现，现有研究工作明显集中在适 用于民用和商用领域的掌纹验证系统方向，研究对象多为低分辨率下完整的活 体掌纹或捺印掌纹图像，测试样本也仅限于小规模样本集。尽管国外已经有适 用于刑侦领域的掌纹自动鉴别产品问世，然而掌纹与指纹的某些相似性使得刑 侦领域的掌纹自动鉴别相关算法研究热点不高，到目前为止，还没有这个研究 方向的学术成果发表，许多核心技术也因商业利益尚未公开。 基于以上背景，本文的研究工作具有首创性，是填补国内科研领域以及市 场空白的工作，具有迫切的现实需求并得到了刑侦专家的认可，具有重要的学 术价值和产业价值。 第5 页 第一章绪论 1 3 2 本文研究目标 本文研究立足于刑侦领域，目标是实现一种稳定可靠、高速度高精度的脱 机多模式掌纹特征比对机制。本文期望解决以下问题： ( 1 ) 设计高速精确的掌纹特征比对核心算法 在刑侦领域，需要建立包含大量完整掌纹的档案掌纹库，需要快速精确的 特征比对方法以完成海量数据环境下的身份认定。虽然这一领域的指纹比对算 法已趋于成熟，但是掌纹的区域远远大于指纹，有比指纹更多的纹理，在带来 更多丰富信息的同时，算法也更加复杂。在这种情况下，将指纹比对中比较成 熟的研究技术直接应用到掌纹中无法保证精度。因此，需要针对掌纹的特殊性 与复杂性，设计兼顾精度与速度要求的脱机掌纹特征比对算法。 ( 2 ) 建立多条件的高可信度计分机制 从比对流程上来说，需要建立一种高可信度的计分机制。按照刑侦领域掌纹 自动鉴别系统的比对流程，将待比对的掌纹特征值同数据库中的掌纹特征值进 行比对，得到候选队列，然后由人工检视来对其做出判断。此外，为提高比对 精度，往往人工干预提供某些重要信息，因此，需要一种可靠的计分机制，不 仅能对比对结果进行高可信度的描述，并且能够整合人工提供的重要特征、不 同类别的掌纹特征，甚至融合指纹特征等，形成多条件的计分，对掌纹做出综 合的评估。 ? ( 3 ) 建立通用的多模式掌纹特征比对机制 从应用环节上来说，需要建立一种灵活的多模式特征比对机制。刑侦领域 的掌纹比对可分为全掌比全掌、残掌比全掌、全掌比残掌等多种模式，从比对 数据上划分，也可分为一对一、一对多、多对多的比对。应用需求的多样化使 得不同比对模式下的图像质量以及特征的准确程度都有很大差异。因此，这种 多模式比对就要求比对机制具有通用性、鲁棒性和对特征质量的适应性，以适 应复杂的比对环境。 第四节本文内容组织 本文在第二章中分析了掌纹特征比对在现实应用中的难点，对几种掌纹特 征比对算法作了简要介绍，并深入讨论了本文采用的特征比对机制，提出了基 第6 页 第一章绪论 于局部结构特征的全向无中心比对算法模型，对算法设计思想以及计分机制进 行了详细描述。 第三章对第二章提出的掌纹特征比对机制的现实应用进行了深入研究。针 对某些技术难点，提出了分阶段匹配的比对方法，详细描述了其处理流程，并 介绍了提高刑侦领域掌纹自动鉴别性能的优化机制，以及掌纹特征比对的完整 系统结构。 第四章给出了本文提出的掌纹特征比对机制在真实应用环境下的评测结 果。介绍了比对算法的评估标准，针对不同形式的测试样本集从速度与精度等 各方面进行评测。并对实验结果进行分析。 第五章总结本文工作，并对未来发展方向进行展望。 第7 页 第二章掌纹特征比对机制 第二章掌纹特征比对机制 掌纹比对是在掌纹图像预处理和特征提取的基础上，将当前输入的掌纹特征 与事先保存在数据库中的模板掌纹特征进行比对，通过它们之间的相似程度， 判断这两个掌纹图像是否来自同一个人的手掌。掌纹比对是整个系统的最终环 节，比对结果的正确与否决定着系统最终性能的好坏，因此掌纹比对是掌纹自 动鉴别系统中的至关重要的步骤和核心技术，也是本文研究的重点。 第一节掌纹特征选择 掌纹是指手腕与手指之间的手掌内表面上的各种纹线。这些表面上杂乱无章 而实质上具有特定分布规律的不同形式的纹线和类似指纹的皮肤就构成了我们 利用掌纹鉴别身份的主要依据。 在掌纹自动鉴别中可使用的特征主要分为以下几类，它们分别适用于不同方 面的识别： ( 1 ) 几何特征 包括手掌的宽度、高度和几何形状等。几何特征获取方便，但不能唯一 的确定一个掌纹，一般用作粗分类。 ( 2 ) 屈肌纹特征 屈肌纹是由于手掌关节、肌肉长期的屈伸运动，在一定部位上形成的粗 大、明显的沟纹。它在数量、形态和分布上具有终生不变性，且比较稳定， 可在低分辨率图像中获取。显然，屈肌纹只能在完整掌纹中获得，因而经常 用于小规模的掌纹身份验证系统。 ( 3 ) 皱纹特征 皱纹是皮肤松弛及推挤活动形成的细小沟纹，它在不同人的手掌上分布 毫无规律，没有统一尺度，也不具有终生不变性，只能作为其他特征的辅助 特征。 ( 4 ) 细节特征 手掌表面皮肤具有和指纹类似的由脊和谷构成的纹路。这些纹路并不是 第9 页 第二章掌纹特征比对机制 连续的、平滑的，它经常出现中断或分叉，这些断点和分叉点就属于细节特 征，称为“细节点”或“特征点”，其鉴别能力最高，但要在高分辨率图像 中获取。 ( 5 ) 纹理特征 纹理特征是不借助于掌纹本身的结构，而将掌纹图像经过某种特定变换 ( 如傅立叶变换、g a b o r 变换等) ，从纹理能量方面对掌纹进行总体度量的 特征描述方式。对捺印掌纹来说，油墨捺印的深浅会对纹理特征产生很大影 响。因此纹理特征通常用于采集条件稳定的活体掌纹识别。 图2 1 给出了各种掌纹特征的示例。 图2 1 掌纹特征示例图 本文研究的掌纹自动鉴别比对方法旨在用于公安刑侦领域，在实际应用中， 现场遗留的掌纹痕迹多数为不清晰的残缺掌纹，档案库中保存的是掌纹档案卡 上的油墨捺印掌纹通过扫描仪转换成的高分辨率完整掌纹图像，。并要求实现快 速准确的脱机比对任务，指导破案。综合几种特征的特点以及应用需求，本文 采用细节特征来进行掌纹鉴别。 美国国家标准局( n i s t ) 提出了四种细节特征用于识别：纹线端点、分叉点、 复合点( 三分叉或交叉点) 和未定义。而目前最常用的是美国联邦调查局( f b i j 提出的特征点模型，只利用了纹线端点( e n d i n g ) 与分叉点( b i m r c a t i o n ) 。大量 第l o 页 第二章掌纹特征比对机制 统计结果和实际应用表明，这两种特征点出现的几率最多，而其它种类的细节 特征都可用它们的组合来表示。本文也采用了这种方式。 每个特征点有其类型、位置坐标以及方向。本文将端点方向记为沿纹线的 流向，分叉点的方向记为三个夹角中角度最小之夹角的角平分线。 第二节特征比对算法概述 2 2 1 掌纹特征比对难点分析 细节特征比对是模式识别领域的一个难点问题，要达到高精度的识别并不 容易，本文研究领域的特殊性更增加了这种困难，其主要原因是： ( 1 ) 脱机捺印掌纹图像质量不受控制 刑侦领域的掌纹自动鉴别采用脱机捺印掌纹图像，与活体掌纹相比，具有以 下难点： a ) 油墨捺印掌纹图像的质量易受用力程度和纸张质量的影响； b ) 手掌表面凹凸不平，使得捺印图像的清晰程度不均匀，中央部分的信 息容易丢失，而其他部分容易出现模糊区域； c ) 由于手指位置不固定，手指部分的掌纹容易出现变形，尤其是拇指附 近。 ( 2 ) 伪特征点必然存在 a ) 掌纹前期预处理和特征提取算法的不完善将人为的增加伪特征点和 丢失真特征点。这些差异是未知的和无法控制的； ， b ) 由于手工劳作、事故、意外伤害等对手掌造成的损伤，使掌纹脊线形 状发生改变，就会产生伪特征点； c ) 掌纹面积比指纹大得多，导致数据量及特征空间太大，易受噪声等的 干扰。 ( 3 ) 现场掌纹图像质量低下 a ) 由于现场掌纹的遗留情况多种多样，因而采集的掌纹图像质量差别也 很大，在一幅图像中，往往只有一小块较清晰的局部区域能够抽取特 征点； b ) 由于现场掌纹图像质量较差，因此人工抽取的现场掌纹特征点必然与 第l l 页 第二章掌纹特征比对机制 自动抽取的档案掌纹特征点有所偏差，现场掌纹图像质量越差，这种 偏差就越明显； c ) 现场往往只能获得残缺的掌纹图像，由于档案掌纹的特征点集比现场 掌纹特征点集大得多，因此有可能在档案掌纹中找到多个局部区域与 现场掌纹相似。 2 2 2 常用细节特征比对算法介绍 掌纹的细节特征比对算法可以从指纹比对算法中衍生，根据对相关文献的总 结，目前，可用于掌纹的细节特征比对算法主要分为以下几类： ( 1 ) 基于点模式匹配的算法 这类算法源于一般的点匹配问题，将细节点看作平面点模式；而没有利 用掌纹自身特有的结构信息。 r 锄a d e 和r o s e n f e l d 【矧等人提出了_ 种点匹配松弛算法，该方法定义两个 点集中的一组对应点口i ，q i ) ( 其中点p i l l ，点q i l 2 ) ，定义两个点集的_ 个相对变换t r j ，根据在t r i j 变换下两个点集中其余点的匹配程度，计算t r n 的可靠度。从而找到一个变换b 使两个点集有最大数量的点对之间存在稳 定的对应关系。该方法利用了点的绝对坐标，因而易受噪声影响，而且需要 反复迭代计算可靠度，速度较慢。 s t o c k m a n 等人【韧提出了基于h o u g | l 变换的方法，把点模式匹配转化成对 转换参数的h o u 曲空间中峰值的检测。这种方法的缺点在于，当细节点较少 ( 少于3 0 个) 时，很难在h o u 曲空间中积累起足够大的数据来保证一个可 靠的匹配。此外，该算法有计算量大，时间复杂度高的缺点。 ( 2 ) 基于结构信息的算法 a k m 优h a l ( 等人2 8 1 提出了基于结构信息的特征匹配算法，该算法首先 提取出8 种类型的细节点，对每个细节点，统计半径为r 的邻域范围内其他 类型细节点出现的类型与数量，构成一个特征向量。然后选择一组具有代表 性的特征向量形式，根据它们在图像中出现的次数进行识别。这种方法在一 定程度上模拟和利用了专家的经验和知识，但特征向量形式变化较少，只适 合对少量样本进行识别，图像中的噪声和变形也使该方法很难实用化。 a w a h a b 等人提出了基于局部结构的分层式匹配算法【2 9 2 】。首先利用近 第1 2 页 第二章掌纹特征比对机制 邻特征点之间的拓扑结构关系构造局部特征向量，由局部特征向量进行初次 匹配，当达到一定相似性时，由可能匹配的特征点构造全局特征向量，进入 二次全局匹配。该方法利用了特征点的拓扑结构关系，对旋转、位移和变形 都有很好的鲁棒性，其分层思想减少了匹配时间。缺点在于局部特征向量构 造简单，极易受到局部误差的干扰。在此基础上，又提出了基于中心点的局 部结构匹配方法【3 ”，但此方法过分依赖于中心点，并不普遍适用。 i s e n o r 等人【蚓提出一种图匹配的算法，提取图像中的脊线信息，用图的 形式描述相邻脊线间的拓扑结构关系，构造了一个标定图像完整脊线信息的 有向图，据此进行匹配判定。但这种方法需要大量的辅助结构信息来降低图 匹配的时问复杂度，而在实际应用中，很难保证能正确提取出需要的信息。 f a nk c 等人【3 5 】利用细节点的有关数据构造两幅特征图，通过寻找它们 的同构映射子图来解决匹配问题。 m o a y e r 等人【3 6 】提出一种使用树型结构来进行匹配的方法。 k o v a c s 一、r a i n a 等人提出了一种三角匹配算法，将每三个特征点构造为 一个矢量三角形，搜索两个特征点集上全等或近似全等的三角形。统计相似 度分数作为是否匹配的准则。 ( 3 ) 其他算法 j p s t 撕n k 等人【3 司从能量最小化的角度描述点匹配问题，并使用了模拟退 火的方法。该方法的计算量也较大。 n i n a i l a n s a r i 等人提出了一种基于遗传算法的匹配方法3 9 训】。该算法的 主要缺点是需要重复进行点集的坐标变换来计算匹配度，计算量大，速度慢。 第三节基于局部结构的特征比对机制 2 3 1 特征比对机制基本思想 掌纹图像通过在预处理、特征提取及后处理等一系列操作后，将转化为一组 由若干端点和分叉点组成的特征点集，基于细节特征的比对就是建立在这些点 集的基础上的。不失一般性，我们把数据库中的掌纹特征称为模板掌纹特征， 输入的掌纹特征称为待比对掌纹特征。因此，掌纹的比对问题就相应的转变为 寻找特征点集之间的相似度( 即点集匹配度) 问题。 第1 3 页 第二章掌纹特征比对机制 细节特征比对算法的核心思想是：通过某些坐标变换( 如平移变换、旋转变 换、比例变换) ，消除掌纹图像的位移、旋转和变形对特征点位置造成的影响， 然后对比坐标变换后掌纹特征点的相关信息( 位置、类型、角度等) ，得出比较 结果。 这种比对算法对特征点在坐标系中的位置有着很高的要求，然而同一掌纹的 两次采集，得到的特征点集之间必然存在一定的平移、旋转和局部变形，某些 点可能被噪声偏移，还有些点被添加或删除。因此，如何准确的获得待比对特 征点集与模板特征点集之间的坐标校准参数是比对的关键。 一个具有鲁棒性的高效的掌纹比对算法，必须同时满足以下要求： ( 1 ) 比对算法应快速准确； ( 2 ) 比对算法应与掌纹的平移、旋转、尺度伸缩无关； ( 3 ) 比对算法应与一定范围内的掌纹非线性变形无关： ( 4 ) 比对算法应能容忍伪特征的存在和真特征的遗失； ( 5 ) 比对算法应能容忍特征点位置、方向等与它们“真实”位置、方向等发 生小范围的波动，且这种波动对每个特征点是不同的。 而刑侦领域的脱机掌纹比对存在的困难对特征比对机制提出了更高的要求： ( 1 ) 捺印掌纹的复杂性和多样性决定了要精确的找出其中心点的位置相当困 难： 第1 4 页 第二章掌纹特征比对机制 图2 2 捺印掌纹多样性示意图 如图2 2 所示，( a ) 为较完整的捺印掌纹，而其他两幅图像分别有不同的 程度上的信息丢失，在这种情况下，要寻找能够适应所有图像的中心点判断 标准就比较困难。 ( 2 ) 掌纹捺印时的随意性使得掌纹图像的旋转程度无法控制； 第1 5 页 第二章掌纹特征比对机制 图2 3 捺印掌纹旋转随意性示意图 如图2 3 所示，掌纹图像不仅左右掌的旋转角度有所差别，同一掌位的 掌纹也由于捺印人手掌的不固定性而呈现不同的旋转程度。 ( 3 ) 对于残缺的现场掌纹，只能大致确定其在掌纹中的位置和方向，某些情 况下，甚至无法确定其位置或方向，图2 _ 4 给出了几幅现场掌纹的图示。 这些特点决定了刑侦领域的掌纹比对算法必须是3 6 0 度全向无中心的比 对。 针对以上要求，本文采用了基于局部结构的掌纹特征比对机制，并综合 各种方法的优点，对其进行了完善和改进，可以实现掌纹的全向无中心比对。 第1 6 页 第二章掌纹特征比对机制 图2 _ 4 现场掌纹示意图 观察发现，实际上掌纹图像中特征点的分布是有一定拓扑规律的，点和点之 间的关系是个非常重要的属性，如何描述这种结构属性是提高识别率的重要 问题。经分析可知，无论掌纹图像发生怎样的平移、旋转和变形，对掌纹中任 意一个特征点来说，其某一局部范围内的相邻特征点的个数、类型、相对距离 和角度、穿越的脊线数目基本不变，变化的只是它们的绝对位置和方向。这个 不变性就是掌纹的局部结构特性，也是人工识别的依据。当掌纹专家将两个掌 纹进行比对的时候，通常是首先根据纹线走向、某些局部特征点间的相对位置 等信息将两枚掌纹进行坐标校准，然后将两个特征点集中对应位置上的特征点 进行比较，看对应点是否匹配，当匹配的点对数目达到一定数量时就会认为两 个掌纹来自同一人的手掌。 基于特征点局部结构特性的比对算法充分利用了特征点之间的绝对距离、相 对角度等抗干扰能力较强的关系，不受平移、旋转的影响，也能够容忍一定的 形变，因此，具有抗旋转、抗位移、抗形变的能力。该算法反映了掌纹的拓扑 结构，可以不必寻找其中心点作为参考位置来进行比对，具有通用性和可靠性， 第1 7 页 第二章掌纹特征比对机制 满足掌纹比对算法的要求。 特征比对的核心方法模型如图2 5 所示。 2 3 2 局部结构模型 图2 5 掌纹特征比对方法模型 局部结构模型是由多个相邻特征点连接而成的特征点集合，如图2 6 所示。 其中，位于模型中心，与其他特征点都相连的点m 称为中心点，与之连接 的其余特征点n i ( i - 1 ，2 ，n ) 称为邻域点，连接中心点与邻域点的线段称为边。对 于每个中心点，都可以找到一个局部结构与之一一对应。 图2 _ 6 局部结构模型 第1 8 页 瓤域_ 特钲点 楚磷d 半径r 局部中心点m 第二章掌纹特征比对机制 局部结构模型通常在极坐标系下进行描述，采用极坐标进行局部结构比对的 有以下优点： ( 1 ) 图像的非线性形交往往呈放射状，在某个区域内的形变比较大，然后非 线性的向外扩张，因而在极坐标系中能更好的描述非线性形变； ( 2 ) 将邻域点相对域中心点转换为极坐标时，平移会被抵消掉，因而极坐标 系中不需要考虑待比对特征点集与模板特征点集的中心点之间的平移问 题： ( 3 ) 在极坐标系中比在直角坐标系中更容易处理两幅图像之间的旋转。 按照这个模型，图2 7 给出了局部结构在掌纹图像中的示例。 图2 7 掌纹特征点局部结构示意图 每一个“中心特征”和它的“相关特征”一起组成了局部结构特征向量，它 们表示了掌纹上的“一片”特征。该局部特征向量u ( l 0 c a lf e a t u r ev e c t o r ) 的数学表达式为： l f y = ( ( 上，y ) ，r ，妒，v 缸一n m m ，v 毫d 扫r 【讫c 一胤d 式中： ( 工，y ) ：中心特征点在图像中的坐标 r ：中心特征点类型 矿：中心特征点方向，妒【0 ，3 6 0 ) 第1 9 页 第二章掌纹特征比对机制 讫c 一，l h m ：邻域特征点数目 垤c f 0 小忉一n h m 】：邻域特征向量组 对于每个邻域点，邻域特征向量x t o r i 】( i = 1 ，v e c - n u m ) 定义为： 垤c 幻r 【f 】= ( 卯e ，d 妇t a i l c p ，r e k 咖e 一职g k ，d 矿一似z p ) 式中： t y p e ：邻域特征点的类型 d i s t 卸c e ：邻域特征点到中心特征点的距离 r e l a t i v e _ a n 四e ：邻域特征点相对于中心特征点的角度 d i f - a t l g l e ：邻域特征点与中心特征点的方向差 局部特征向量的构造模型如图2 8 所示。 l t y 坐标 特征点炎型 特征点方向 第一个邻域特征点信息； 特征点粪型 与中心点的距离 相对与巾心点的角度 与中心点的方向盏l 瓤粼息 图2 8 局部特征向量的构造模型 根据特征抽取和比对算法的不同，局部特征向量和邻域特征向量中的各分量 可能会有所调整，但基本形式如上所示。 2 3 3 先局部后全局的比对思想 给定两个特征点集p 和q ，其中点集p 是待比对特征点集，点集q 是模板 特征点集，也即事先存储在数据库中的掌纹特征点集。设点集p 中有m 个特征 点，q 中有n 个特征点( 一般m n ) 。则有： p = ( 0 ，y ? ，6 l p ) ，( 工：，) ，：，彰) ，( ，) ，：，) ； q = ( 工? ，) ，f ，印) ，( 碍，) ， ，鳄) ，( 砰，) ，? ，卵) ) ； 式中：x ? ，) ，- 硝待比对特征点集p 中第i 点在其图像中的直角坐标和方向； 工? ，y ? ，卵模板特征点集q 中第j 点在其图像中的直角坐标和方向。 第2 0 页 第二章掌纹特征比对机制 两幅掌纹图像的比对也就是寻找一个坐标变换，使得待比对掌纹的特征点集 p 和数据库中某个掌纹点集q 可以较好的匹配。由于不知道两幅掌纹图像是否 来自同一个手掌，所以我们的目标是试图使两个特征点集中的点尽可能多的匹 配。 如果两个掌纹有较大的相似度，则必然存在某一对应特征点( p i ，q j ) ( 其中点 p i p ，点q i q ) ，以这对特征点为参考将点集p 和q 进行坐标校准后，再进行 匹配操作，可得到较高的匹配分数。由此可见，比对的第一步就是要准确的获 得这一参考特征点对。但由于事先并不知道两个点集的对应关系，所以最直接 的方法是测试所有可能的特征点对，选择最优解。但是，这样算法的搜索空间 将很大( 如果对每一组特征点对我们都随机的从两个点集中分别取两个点加以 匹配，则可以构成c ：c ：碍种不同的组合) 。 因此，本文采用先局部后全局的比对思想。 ( 1 ) 局部结构比对 通过对每个特征点构造局部特征向量，一个掌纹图像便转化成了一个特征向 量组。局部特征向量组a = ( 脚w ，l f e ，肼1 ，m ) 表示待比对特征点集的m 个局 部特征向量，向量组b = ( 凹k ，v 2 ，u v ) 表示模