（电路与系统专业论文）基于掌纹和手形特征融合的多生物特征识别算法研究[电路与系统专业优秀论文].pdf

摘要 摘要 伴随着：刍今社会智能化、信息化和网络化的发展，人们对信息安全的要求也 越来越高。个人身份鉴别已经成为国家安全、公安、金融、商业和人们日常生活 中不可缺少的重要手段和环节。生物特征识别( b i o m e t r i c s ) 是利用人体所固有 的生理特征或行为特征进行个人身份认证的技术，它涉及到模式识别、数字图像 处理和人工智能等众多学科。针对单一生物特征在大规模识别应用中所存在的问 题，作为单一生物特征识别技术的进一步发展，多生物特征识别技术孕育而生， 它以不同方法提取同一个体的不同生物特征，然后用数据融合的方法处理这些信 息，得出更好的识别效果。 本文综合应用数字图像处理和模式识别等方面的理论和方法，深入探讨了掌 纹和手形多特征融合识另0 的主要技术环节，提出了若干新算法，使得多特征融合 系统的准确度得到了提高。本文主要工作和贡献如下： 1 综述了掌纹识别和手形识别以及多生物特征识别技术的研究内容、方法 和国内外研究动态。 2 掌纹特征提取算法：研究了一种利用小波变换提取掌纹特征的算法。利用 小波变换在数字图像的降噪和增强处理中，对边缘描述效果好的特点。利用 l g g a b o r 小波变换对掌纹图像进行特征提取，然后采用滤波后的幅度信息和相 位信息共同对：擎纹图像进行编码，取得了好的识别效果 3 手形特征提取算法：研究了基于点特征与矢量特征相结合的手形识别方 法。此方法首先边缘检测算法定位出手形轮廓，然后确定手指的起始点和终点得 到手指图像，接着提取出手指的边缘点和宽度值作为特征值，并进行特征匹配。 这样构建的手形识别原型系统获得良好的识别性。 4 多生物特征融合技术：多生物特征融合技术是生物特征识别技术发展的必 然趋势。本文研究掌纹和手形两种生物特征分别在匹配层和决策层的融合算法， 验证了多生物特征融合技术的优点。 关键词：攀纹识别手形识别多生物特征识别小波变换 a b s t r a c t 4 m u l t i b i o m e t r i ct e c h n o l o g y ：c o m p a r e dw i t hs i n g l em o d a lb i o m e t r i cs y s t e m ， m u l t i m o d a lb i o m e t r i cs y s t e mh a ss e v e r a la d v a n t a g e s i nt h i sp a p e r ，w ec o m b i n et h e j n f o r m a t i o no fp a l m p r i n ta n dh a n d g e o m e t r ya tt h e s el a s tt w od i f r e n tl e v e l s r e s p e c t i v e i y t h er e s u l t so fo u re x p e r i m e n t sp r o v et h ea d v a n t a g e so fm u l t i m o d a l b i o m e t r i cs y s t e m s k e yw o r d s ： r e c o g n i t i o no f t h ep a l m p r i n t s ，r e c o g n i t i o no fh a n d g e o m e t r y m u l t i i b i o m e t r i ct e c h n o l o g y ，w a v e l e tt r a n s f o 册 v 中国科学技术大学学位论文原创性和授权使用声明 本人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。除已特别加以标注和致谢的地方外，论文中不包含任 何他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究 所做的贡献均已在论文中作了明确的说明。 本人授权中国科学技术大学拥有学位论文的部分使用权，即：学 校有权按有关规定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，可以将学位论文编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 保密的学位论文在解密后也遵守此规定。 作者签名： 年月日 第一章绪论 第一章绪论 在高度信息化的现代社会，随着交通、通讯、网络技术的高速发展，信息安 全显示出前所未有的重要性。在日常生活中以及金融、司法、安检、电子商务等 很多场合都需要准确的身份识别以确保系统的安全，因此，人的身份识别技术的 应用越来越广泛。传统的身份识别方法主要分为两种，第一种是基于物品的方法， 比如使用钥匙、i d 卡等：第二种是基于知识的方法，比如使用密码、口令等。这 些传统的身份识别方法存在很多缺陷，基于物品的方法携带不便而且容易丢失、 损坏、被盗用或伪造，基于知识的方法容易被遗忘、破解等。因此，传统的身份 识别方法受到了严峻的挑战，显得越来越不适合现代科技的发展和社会的进步。 人们希望能够使用一种更加方便、安全、可靠的办法来进行身份鉴定。生物 特征以别技术给实现这一希望带来可能。生物特征识别技术是通过利用人类本身 特有的生理特征和行为方式来进行身份确认的一种技术。同传统的两类身份识别 方法相比，利用生物特征进行身份识别的方法具有稳定、可靠、便捷、不易伪造 等特点。人们可能会丢失他们的钥匙、卡片或者忘记密码，但是却不可能遗忘或 者丢失自己的人脸、指纹、虹膜、掌纹等生物特征。因此基于生物特征识别技术 的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的 重视，在许多安全领域方面有着非常广泛的应用前景。 萨由于生物特征识别技术能够满足国家和各级政府机要部门、公安、企业级 的网络安全基础设施、电子银行和其他金融交易的需求，近年来，生物特征识别 技术的市场份额大幅度持续增长。根据国际生物识别集团( i n t e m a t i o n a lb i o m e t r i c g r o u p ) 统计，2 0 0 6 年全球生物识别技术产品的市场已超过2 0 亿美元，今后5 年的生物特征识别的市场预测如图1 1 所示【l a 讯o ng 】。据国内有关专家估计， 未来几年，我国也将形成高达l o o 亿人民币的生物特征识别技术市场。在2 0 0 7 年度，全球市场上主要的生物特征识别技术的产品包括指纹识别、人脸识别、签 名识男u 、手形识别等等，其各自所占的市场份额如图1 2 所示【l a 砸o ng 】。 第一章绪论 a n n u a l 勖o m e t r cl n d u s t r y 垤n u 峨瑚7 - 2 0 1 2 伽nu s o c o p y r i l 融。拍o 7 钾口m 州n - l b m 酬t 幽呷 7 加f 7 7 2 0 0 72 0 0 82 0 2 0 2 0 l l 2 0 1 2 图1 1生物特征识别技术产品的全球增长趋势 图1 2 各种生物特征识别技术在2 0 0 7 年度所占的市场比例 1 1 生物特征识别技术简介 生物特征识别技术是目前图像处理、模式识别和计算机视觉领域中的研究热 点。生物特征识别技术是对人类本身固有的、独一无二的生物特征( 包括生理特 征和行为方式进行分析和描述，通过判别这些描述的一致性从而实现自动身份确 认的一类技术。生物特征具有唯一性和相对稳定性。常见的生物特征有人脸、指 纹、掌纹、虹膜、语音、手形、签字等。相对于传统的身份识别方法，生物特征 识别技术具有很大的优势。由于其具有唯一性和相对稳定性，并且与主体不可分 离的特性，因而不必担心丢失或被盗用，近年来，利用生物特征识别技术进行身 份验证在安全领域方面的应用受到高度的重视，己经开始进入我们社会生活的各 个领域。 基于上述考虑，当前常用于识别的生物特征有人脸、指纹、掌纹、掌脉、虹 膜、视网膜、签名、声纹、手形。图1 3 给出一些生物特征的例子。 -一 阿 一霜曩爨一鬻 6 w隧麓酗戮l熏 0 0 0 口0 o o o d蝴蝴啪啪瞄蝴咖嗽o 8 7 6 s 4 3 2 1 第一章绪论 日图鞠圜 图1 3 常见的生物特征识别技术 理论上任何人体的生理特征和行为特征，只要满足普遍性、唯一性、永久性、 可采集性等条件都可以用来作为识别个人身份的特征，但在实际应用中，还需要 考虑很多方面，比如系统性能、设备价格、用户可接受程度等方面的因素。基于 对以上几个方面综合考虑，目前应用较多、研究比较多的生物特征识别技术主要 包括以下几种： 人脸识别：我们人类本身进行身份识别时主要采用人脸特征进行识别。自然 地人脸识别作为一种典型的生物特征识别方法引起了广泛的研究。人脸识别是一 种方便、友好、容易被人们接受的非侵犯性识别方法，无需待识别人的配合，对 采集设备要求较低，使用普通摄像头可以很容易地获得高质量人脸图像。 掌纹识别：掌纹识别是近几年来提出的一个较新的生物特征识别技术，掌纹 是指手指术端到手腕部分的手掌图像，其中很多特征可以用来进行身份识别。主 线、皱纹、细小的纹理、脊末梢、分叉点都可作为有用的识别信息，掌纹识别也 是种非侵犯性的识别方法，操作简单，用户比较容易接受，对采集设备要求不 高。 虹膜识别：虹膜是瞳孔和巩膜间的环形可视部分，不同的人的虹膜结构差异 很大，即使对同一个人，左右眼的虹膜区别也是很明显的，并且在人的一生中基 本上不发生变化。另外，虹膜的外部有透明的角膜将其与外界隔离，不易受到外 界的伤害而产生变化。相对于其它生物特征识别，虹膜识别的错误率是最低的。 虹膜识别存在如下的缺点：需要昂贵的高分辨率摄像头才能采集到清晰的虹膜： 镜头可能会使图像畸变导致识别率降低；黄种人的虹膜纹理不明显，在普通条件 下极难采集：另外佩戴隐形眼镜可能对系统的识别效果产生影响。 3 第一章绪论 指纹以剐：指纹是手指末端正面皮肤上由一些宽度大致相同的脊和谷交替出 现得到的纹理，通过识别其脊末梢和分枝点等特征来识别用户的身份。指纹以其 唯一陀、长期有效性得到了广泛的应用。指纹识别需要昂贵的专用设备进行指纹 的采集，并且存在相当一部分人的指纹不能够用来进行身份识别，包括手指上的 皮肤有伤疤、长茧、过于光滑等都会影响指纹的识别效果。另外，由于以往指纹 作为罹犯苍别的重要依据，人们普遍觉得指纹的采集具有侵犯性，存在不愿合作 的心理。 手形识别：经过生物学家大量实验的证明，人的手形在一段时期具有稳定性， 且两个不同的人手形是不同的，即手形作为人的生物特征具有唯一性，手形作为 生物特征也具有普遍性，且手形也比较容易采集，满足作为生物特征识别的所有 特点，故可以利用手形来对人的身份进行认证和认证。人类利用手形进行身份标 识的历史可以追溯到数世纪前，人们在传递重要文件的时候，往往用自己的手印 作为种签名和身份证据。 手形的测量相对于其他生物特征( 例如虹膜、指纹) 容易实现，对图象获取设 备的要求较低，手形的处理相对也比较简单，在所有的生物特征识别方法中手形 的认证速度是最快的，然而手形特征并不具有高度的唯一性( 手掌的大小会随着 年龄的增长而改变，劳动受伤也会使得手形发生变化) ，不能用于识别。 签名识别：人的笔迹是一种稳定的行为特征，现代的签字识别技术主要根据 书写的字形以及不同笔画间的速度、顺序和压力等特征，对签字者的身份进行鉴 别，笔迹的获取具有非侵犯性，易为人们所接受。然而事实表明同一个人的签名 在不同的时期以及不同的精神状态下很有可能是不同样的。另外不同的笔、纸质 也f 1 丁能会导致书写者字体的变化，所有这些都降低了签名识别系统的可靠性。 语音识别：语音识另l j 主要利用人的声音特点进行识别，属于行为特征，容易 被公众所接受。但声音会随音量、语速、音质的变化而影响。比如一个人感冒时 说话和平时说话就会有差异。再者人们可以下意识的对自己的声音进行伪装和控 制，或者利用录音来欺骗系统，给鉴别带来一定的困难。另外在有噪声的环境中 比如公共场合也会使其识别效果不可靠。因此语音识别系统的应用范围受到很大 的限制。 通过分析上述几种目前比较热门的生物特征识别技术的优缺点，结合本实验 室的条件，本文进行了掌纹识另4 和手形识别技术的研究。这两种识剐方法识剐率 较高，对采集设备要求基本相同，可使用同一摄像头对两种生物特征进行采集， 并且人脸识别和掌纹识别都属于非侵犯性识别方法，用户比较容易接受， 4 第一章绪论 1 2 掌纹识别技术概述 在上面提到的几种生物特征识别方法中，掌纹识别方法是相对起步最晚的一 种以别厅法。但是盱于掌纹识别与其他几种生物特征识别方法比较起来，有它独 特的优点：掌纹图像易于采集，对掌纹图像质量要求容易满足，用户心理上易于 接受，容易和其他生物特征识别方法进行融合等优点。近几年来，国内外很多科 研人员都丌始了对掌纹识别的研究。其中香港理工大学的张大鹏教授在这方面是 最早丌始进行研究的，他提出了多种特征提取方法对掌纹图像的几何特征和变换 域特征进行了分析，取得了较好的效果。香港科技大学的a k u m a r 等也在进行 着掌纹识别的研究。国内的哈尔滨工业大学，北京大学，北方交通大学，北京工 业大学，中科院自动化所也都正在进行这方面的研究。 w p 蚂n d i l j t i 池 ( a )( b ) 图1 4 掌纹结构示意图 目6 ，j 掌纹识别的方法可分为三类：( 1 ) 提取特征点或特征线进行匹配识( 2 ) 计算掌纹图像的纹理特征进行比较判别( 3 ) 对掌纹图像进行时域或频域变换来 进行自动识别 人们对掌纹识别的研究历史并不长，但这种生物特征识别技术可接受程度较 高，能够弥补指纹识别对图像质量不好情况下的脆弱性，以及掌形容易伪造等不 足，具有极大的发展潜力，在刑侦、司法等领域具有广阔的使用需求。 1 3 手形识别技术概述 手形识别是速度最快的一种生物特征识别技术，它对采集设备的要求较低， 图像处理简单，而且用户可接受程度较高。但由于手形特征不像指纹和掌纹特征 那样具有高度的唯一性，因此，手形特征只用于认证，满足中低级的安全要求。 早在七十年代，手形认证就应用于访问控制系统中。八十年代，手形认证产 品开始出现。目前仅有的商用产品为美国r e c o g n i t i o ns y s t e mi n c 生产的 5 第一章绪论 h a n d l e a d o r 、系列产品。据r e c o g n i t i o ns y s t e m 工n c 公司统计，截止到2 0 0 2 年中 期为e ，全啦界己有7 4 0 0 4 个部门或单位安装了手形认证产品，主要应用在访问 控制、工作考勤和身份认证等三个方面。 由j _ 二受到争利等因素的影响，关于手形认证技术的参考文献并不多。目前手 形认匹主要有两种方法：基于特征矢量的方法和基于轮廓特征点的方法f 顾 理2 0 0 4 。 ( 1 ) 基于特征矢量的方法：大多数的手形认证系统都采用这种方法。利用的 手形几何信息包括手指不同部位的宽度、手掌宽度和厚度、手指的长度等等。用 户的手形特征模板表示为由这些几何特征构成的特征矢量。在匹配判决时，计算 两个模板中对应矢量之间的距离，通过阐值最终判别两个手形模板是否出自同一 个人。 ( 2 ) 基于轮廓特征点的方法：上述方法认证速度较快，但鲁棒性较差，当用户 不够配合时，认证的准确性将受到严重的影响。基于轮廓特征点的方法，运算量 较大，但鲁棒性较强。认证的过程一般为检测手指边缘轮廓、提取手指轮廓点特 征、匹配判决等三部分。 无论是采取上述哪种方法，目前各种手形认证技术均是在通过使用固定栓固 定手指位置的前提下进行工作的，因此手形认证的准确性受手指与固定栓挤压程 度的影响。为此，本论文将介绍一种摆脱固定栓的束缚，手指可任意摆放的手形 认证方法。 1 4 多生物特征融合身份识别概述和研究现状 1 4 1 多生物特征融合身份识别概述 多生物特征识别技术 r o s s a ，j a i n a ，q i a i lj z ，2 0 0 3 】就是使用多种生理或行为 特征进行个人的身份识别，也可以称作多生物特征信息融合问题。在身份识别中 使用多种生物特征其实是非常自然地，因为人类在进行身份识别时也不知不觉运 用了不同的生物特征来判断，例如，当我们看到一个人时首先看到的是他的脸， 然后会马上联想到这个人的姿态和声音来完全确定他的身份。虽然每一种生物特 征都可以用来单独识别身份，但是每种生物特征既有其特有的优势和适用范围也 存在特征本身的不足和局限性，没有哪种特征可以在所有方面胜过其他特征，每 种特征都有其存在发展的必要性，他们不是替代而是相互补充的关系。表1 1 【j a i l l a k ，r o s sa ，2 0 0 2 1 就是各种生物特征身份识别系统的优势和缺点比较： 表1 1 各种生物特征识别的简单比较 黧 第一章绪论 黼 高 低 由 高低高低 雾l 糍霪鐾鬟翳 攀鬻瓣 中 高高 中 高中 高 雾攀缮缓曩雾 巾巾 c b 高 由i 相由 耘囊镳 中中 由由 中中高 麓懑 高高高中高低高 。魏一* ”；一貉鲻璃溪畿篱 局商中低高低高 低低低高低高 低 巾 低低 中 低高 低 由 中 中 高 由 由 中 从上表可以看出每种生物特征都有自身的特点而适用于不同的场合例如指 纹和虹膜识别在准确性和速度上优于声音识别，然而在电话记账系统中，我们却 要选择声音身份识别技术，因为它比别的方式都要更方便地集成到现成的电话系 统中去。利用多种生物特征融合的识别技术正是利用了每种生物特征之间的补充 信息，在识别系统特征提取、模型匹配或决策阶段按照一定的策略对各种特征数 据进行融合，集成多个信息来产生最终的身份判决。相对于单一生物特征识别， 通过多生物特征融合进行身份识别有如下优点：识别仍然是信息化时代不可避免 的问题，多生物特征识别技术作为解决这一问题切实可行的方案是非常有实际意 义的【j a i n a k ，d u i n p w ，2 0 0 2 】。 1 4 2 掌纹、手形识别融合技术 掌纹、手形识别两种生物特征识别方法对用户没有侵犯性，可接受程度都比 较高而且可使用类似的采集装置，比如利用一个低分辨率的摄像头就可以完成 掌纹和手形图像的采集工作。并且，掌纹和手形识别可以采用多种方法进行特征 提取，得到的特征是相容的，因此，我们可以在各个层次进行融合分析。 本文在掌纹识别和手形识别工作的基础上，借鉴目前国际上生物特征识别、 信息融合以及图像处理等方面的最新成果，分析和研究了人脸和掌纹两类生物特 征识别的信息融合问题。 1 5 本文的研究内容 本文课题题目是基于掌纹和手形特征融合的识别算法应用研究。本文将对本 人两年来的研究成果作详细的介绍与分析。 论文主要内容安排如下： 7 第一章绪论 第章：全面概述了生物特征识别技术研究内容、应用背景和研究意义，重 点描述了。事：纹 j 别、手形识别以及多生物特征融合识别技术的研究内容、方法、 成用d 寸景，以及国内外的研究现状。 第二二章：本章介绍了生物特征识别算法的数学描述、决策准则以及性能评价， 分析和讨论了各部分研究的基本内容和方法，为手形和掌纹识别提供了基本的研 究框架：然后从图像信息处理的角度，综述了现有的典型的手形和掌纹识别算法， 第三章：基于小波变换的掌纹识别。本章中介绍了小波变换、g a b o r 小波和 l o g g a b o r 小波，并且我们分别用g a b o r 小波和l o g g a b o r 小波对掌纹图像进行特 征提取，取得了比较好的实验结果，验证了g a b o r 小波和l o g g a b o r 小波的优越性。 第四章：基于手形的生物特征识别技术。在分析目前已有的手形认证方法基 础上，提出一种点特征与矢量特征相结合的手形认证方法。通过实验验证了点特 征与矢量特征结合比单个特征的优越性。 第五章：基于掌纹、手形两种生物特征信息融合技术。本章中介绍了数据信 息融合的原理和方法，并且我们将掌纹和手形识别分别在匹配层和决策层这两个 不同的层次进行了融合研究和分析，取得了比较好实验结果，验证了多生物特征 融合的优越性。 第六章：结果与下一步的工作计划。对全文进行总结，对今后进一步的工作 研究提取了看法。 8 第二章手形和掌纹识别研究的有关理论和方法 第二章手形和掌纹识别研究的有关理论和方法 2 1 引言 手形和掌纹识别是生物特征识别技术的两个重要分支，它们的研究与其它生 物识别技术样，涉及到包括图像处理与分析、模式识别、机器学习、概率论与 数理统计、随机过程、生物信息处理、生理学等众多的学科和领域，这些领域的 发展为手形和掌纹识别不断提供新的理论和方法，而手形和掌纹识别的研究又会 给这些领域的发展提出新的问题和给予新的启示。因此手形和掌纹识别的研究是 建立在这些相关领域的研究基础之上，而又具有其自身独特的研究内容。手形和 掌纹的身份鉴别，就是从二维手形和掌纹图像中定量地提取出各种特征来鉴别 个人的身份，实质上是一个复杂的信息处理过程。首先要将手形和掌纹图像中重 要的信息清楚地显示出来，然后进行图像中特征的表达和描述，最后实现目标的 分类和识别。从图像的信息处理角度看，手形和掌纹识别过程包括图像获取、图 像预处理、特征提取和特征比对。整个过程中不仅应用到包括图像增强、边缘检 测、轮廓跟踪、形状分析、图像变换、参数建模、特征提取和选择、判别分类等 图像处理、信号处理、模式识别、概率与数理统计、人工神经网络等众多学科的 理沦和方法，而且手形和掌纹识别与其他的生物特征识别技术如指纹识别、人脸 识别、说话人识别等有着相同的目标和相近的识别过程，这些领域的一些成功的 研究经验和方法也可以借鉴到手形和掌纹识别中来。 本章首先从手形和掌纹识别基本的研究框架：然后讨论了生物特征识别算法 的数学描述、决策准则以及性能评价：最后从图像信息处理的角度，着重从特征 提取和特征比对两个方面，阐述了手形和掌纹识别算法的研究现状，并讨论了未 来识别算法研究的发展方向。这些理论和方法的阐述为本论文的研究提供了相关 的理沦知识背景和研究基础。 2 2 生物特征识别算法的描述及性能评估 2 2 1 生物特征识别算法的数学描述 生物特征识别算法是一种面向数据库模板的匹配算法，实质上可以用数学上 的假设检验来描述。 设手形或掌纹在数据库中存储的模板为p ，测试的手形或掌纹的样本为p ，假 设： h 0 ：p 等于p ，测试样本与模板相匹配 h l ：p 不等于p ，测试样本与模板不匹配 9 第。：章手形和学纹识别研究的有关理论和方法 相对应的决策为： d o ：测试样本的个体是真实身份人： d i ：测试样本的个体是假冒者。 通常确定一个相似性测度：s = s i m i l a r i t y ( p ，p ) ，有时也称为匹配分数 ( 磁a t c h i n gs c o r e ) ，并设定。个阈值t h ， i fs t h ，则决策为d o ： l fs 0 是尺度因子，7 反映位移，其值可正可负。等效的频域表示是： 胛如川= 詈e x ( 国) 叭训p 巾 ( 3 2 ) 式中x ( 彩) ，( 国) 分别是x ( f ) ，矽( ，) 的傅立叶变换。 粗略地比喻，小波变换的作用如图3 。1 所示。用镜头观察目标x o ) ( 也就是 待分析信号) 、矽( f ) 代表镜头所起的作用( 例如：滤波或卷积) 。f 相当于使镜头 相对于目标平行移动，a 的作用相当于镜头向目标推进或远离。由此可见小波变 换有以下特点： 第二章基丁g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 ( 1 ) 具有多分辨率( m u 一r e s o i u f i o n ) ，也叫多尺度( m u i f - s c a i e ) 的特点， u 以由粗及精地逐步观察信号。 甲移方匍r 图3 1小波变换的粗略解释 ( 2 ) 也可以看成用基本频率蜊性为( 功) 的带通滤波器在不同尺度a 下对 信号作滤波。由于傅立叶变换的尺度特性： 于 如果矽( f ) 的傅立旱叶变换是( 国) ，则矽( 二) 的傅立叶变换为 口 i 口i ( 口彩) 。 因此这组滤波器具有品质因数恒定，即相对带宽( 带宽与中心频率之比) 恒定 的特点。a 愈大相当于频率愈低。 ( 3 ) 适当地选择基本小波，使痧( f ) 在时域上为有限支撑，西( 缈) 在频域上也 比较集中，便可以使小波变换在时、频两域都具有表征信号局部特征的能力，因 此有利于检测信号的瞬念或奇异点。 3 2 掌纹图像的预处理。 对于在2 3 2 节中提到的常用的掌纹图像预处理方法，本文提出的预处理方 法是选用掌纹图像方向的校正的两个基准点：整个方向校正流程图如图所示，包 括两个步骤：掌纹基准点粗定位和掌纹基准点精定位。 3 2 1 掌纹基准点粗定位 ：掌纹基准点粗定位【赵静岚，2 0 0 7 】即寻找手掌粗略的方向，所需步骤如下： 1 ) 分离手掌和背景 2 6 第一i 章墓丁g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 由于不同的手掌反射光的强度不同，有些手掌反射光的强度比较大，显比较 亮，有些手掌反射光的强度比较小，显得比较暗，而且即使是同一个人的手，干 净和弄脏了的情况下，它的亮度是不一样的，应此就需要用自适应阂值法来进行 分割。我们使用4 个阈值来对图像进行分割，当一个效果不好时，就用下一个。 f 晟阳s 加磁= 4 每恐，旁孵班是辜敞恸) ( 3 3 ) j 一7 。 其中，一是比例系数，耽锄和胁泐r 分别是图像的宽和高。 分离手掌和背景采取的方法是用一低通滤波器l ( x ，y ) 与原始掌纹图像做 卷积( c o n v o l u t i o ns u m ) ，并通过公式3 3 求得阈值t ，然后产生二值化的输出 图像o ( x ，y ) ，公式表示如下： d ( x ，y ) = o ， 矿，( x ，y ) 枣( x ，y ) 丁 ( 3 4 ) l o ( x ，y ) = 2 5 5 ，矿- ( x ，y ) 木( x ，y ) r 。 分离出的手掌如图3 t 2 所示。 图3 2 分离出的掌纹图像 2 ) 腐蚀与扩张( e r o s i o n d i l a t i o n ) 腐蚀的作用是消除物体所有边界点，它可以把小于结构元素的物体去掉。一 股意义上的腐蚀定义为： e ( x ，b ) = 朐8 = k 旧，x f 3 5 ) 当结构元素8 的原点移动x 个单位后，如果b 完全包含在x 中，则新图像上 陔点为1 ，否则为o 。 膨胀的作用是把图像区域周围的背景点合并到区域中，其结果是使区域增大 相应数量的点。一般意义上的膨胀定义为： 2 7 第= 二章墓丁：g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 d ( b ) = o 口= 扛l 眵。n 彳 r 3 5 1 如果结掏元素艿的原点移动_ ) c 个单位后，它与x 的交集菲空，这样的点组成 的集合就是8 对x 膨胀产生的结果。 经过腐蚀和膨胀操作，可以去除边缘噪声影响带来的毛刺和填充边缘上的细 小窄洞，使手掌图像的边缘能最真实地反映出真正的手掌的边缘轮廓。 3 ) 边缘追踪( b o r d e rf r a c i n a ) 我们采用八邻域的方法，顺时针边界追踪算法具体描述如下。 a 获得一个边界上的追踪起始点( ，) 作为当前点。获得的方法根据具 体情况丽定。 b 确定起始点的追踪“方向环”码d 吡。“方向环”码d 哦确定如下。 以( x 。，y 。) 为中心，从方向0 1 7 依次探测直至找到一个方向d 妒，使得此d f r 指向 的像素为黑，而( d 护+ 1 ) 8 到达的像素为白。此d 扣即是d 阮。 c ，保存当前点g ，y 。) 的坐标及方向d 以。即插入链表。 d ，由当前点( x 。，j ，) 及方向码d 以找到后继边界点，并让它成为当前点。 e ，设当前点为g ，y ，) 。若g ，y ) = 瓴，y 。) ，则转( 6 ) 。否则从方向环码d 以 = ( d 矿一+ 1 ) 8 丌始，( 即逆旋4 5 。) 沿方向环逆时针进行探测。探测过程分以下 2 种情况。 ( i ) 若d i 指向的像素为自，则令d 矿= ( d 以+ 7 胁8 ( 即顺旋4 5 。) ，再 次执行( i ) ，直至d 妒指向的像素为黑。当前点的方向环码还需进行一次回退调 整，即d 妒= ( d 矿+ l 8 。 ( i i ) 若d 矿指向的像素为黑，则令d 讥= ( d 机+ 1 ) 8 ( 即逆旋4 5 。) ，再 次执行( ii ) ，直至d 矿指向的像素为白。此d 妒即为当前点的方向环码。转( 3 ) 。 f 追踪完成。 说明：算法中的符号表示取余操作。 表3 ，1 方向环的各方向码及指向的像素 探测 ol 234567 方向 对应( x + 1 。( x + 1 。 ( x ，y 一 ( x l 。( x l ，( x 一1 。 ( x ，y +( x + l ， 像素 y )y 1 ) 1 ) y 一1 )y )y + 1 ) 1 ) ) r + 1 ) 第一l 章基 ：g a b o r 小波和l 。g g a b o r 小波特征提取掌纹识别算法 最后提取掌纹的轮廓，若是图像的黑点，则判定其周围的8 个相邻象素点是 岔都是黑点，若都是黑点，则将该黑点剔除。此轮廓提取算法非常简单，核心思 想就是掏空内部点。 4 ) 手指端点定位 我们采用手掌轮廓与定点的距离分布定位手指端点，此方法能构快速的定位 手指端点。 由步骤3 边缘追踪可以得到手掌坐标集合s ，求s 中的每点与手掌轮廓之 手腕部分的中央位置c 两点间的欧式距离，公式如下 p = ( x ，一t ) 2 + ( y ，一虬) 2 ，f s ( 3 6 ) 如果从s 中的c 点出发，顺时针绕一圈再回到c 点，则可以得到一个距离分 佃图，如图3 3 ( c ) 所示。在距离分布图中，出现的五个峰与四个谷，正好对应 手指的峰点与谷点。我们只选用谷点尼1 、船。连接尼1 、后3 ，校正手掌旋转的角度。 c 点 ( a ) 手掌的峰点与谷点；( b ) s 中的每一点与c 两点间的距离 趔 砸 型 盆 上口i 廿 毽 似 鬲 ( c ) 手掌边缘点到手腕中的距离曲线 图3 3 手指端点定位 第二章基丁g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 3 2 2 掌纹基准点精定位 获得了点七1 、七3 后，可以根据七1 、后3 粗略的估计手掌的方向，如前所述，要 精定位手掌的位置，只有掌一心的点是不随手指旋转而变化的 赵静岚，2 0 0 7 】。具体 步骤如下： 1 ) 以k 1 点为基准点，选取固定的相对坐标，截取掌纹边缘块s ，如图3 4 ( a )( b )： ( a )( b ) 图3 4 掌纹基准点的精定位 2 ) 对边缘块s 使用l o g g a b o r 小波进行滤波。根据局部能量特征模型的论证， 对于暗背景中的亮物体，对称点的相位为o ；对于亮背景中的暗物体，对称点的 相位与之反相，应该为万。掌纹线为亮背景中的暗线，所以我们计算滤波后每个 点的幅度值和相位值，保留滤波之后相位最大的点集，设为m ； 3 ) 计算点集m 的幅值期望e ，并把e 为阈值，保留点集m 中傅立叶变换幅 值大于阈值的点，最后得到的点集m ，如图3 4 ( c ) 所示，m 7 即为靠近手掌边 缘的感情线。追踪感情线与手掌边缘的交点，为所求的基准点b 。 4 ) 得到点k 3 和基准点b 后，我们即利用这两点的连线对手掌进行旋转归一化， 来实现掌纹的方向校正。对掌纹图像旋转，使得连线与水平夹角为一固定值，本 文取万6 。 3 3 基于g a b o r 小波掌纹特征提取算法 3 3 1g a b o r 小波的性能分析 g a b o r 函数是高斯函数调制的正弦和余弦函数，一维情况下的波形如图所示。 相应地可以构造成为偶小波和奇小波。【r m e i l r o t r ae ta 1 ，1 9 9 2 ；j 1 1 1 s t ，1 9 4 6 】 第三章基于g a b o r 小波和l o g 吨a b o r 小波特征提取掌纹识别算法 图3 5 一维g a b o r 小波波形图 1 9 8 0 年，d a u 鲫a n 将一维g a b o r 小波扩展至二维情况，用建模方向选择简单 细胞的感受野，并把它应用于图像压缩、图像分割、和虹膜识别，取得非常好的 效果。 j d a u g m a 玛1 9 8 0 】 二维g a b o r 小波的公式为： 出棚2 去e 冲睁善+ 耖2 概 7 ， l 而= x c o s 口+ y s i n 口 【y l = 石s i n 矽+ 夕c o s 口 其中，f 表示频率，臼表示方向，仃，、仃v 是滤波器的尺度参数，控制窗口 宽度和波长的比例关系，也就是高斯包络函数所影响的震荡的数目。不难看出复 数形式的g a b o r 核函数是奇( 正弦波) 偶( 余弦波) 项的组合。图3 6 给出一个 g a b o r 核函数实部和虚部在时域中的形状，可以看出实部和虚部具有相同的形状， 只是相位不同。 ( a ) 偶对称g a b o r 滤波器的时域波形( b ) 奇对称g a b o r 滤波器的时域波 黪 第三章基于g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 ( c ) 复g a b o r 滤波器的频域波形 图3 6 二维g a b o r 复小波的时域和频域波形 二维g a b o r 小波滤波实际的过程就是，g a b o r 滤波函数的实部和虚部将在与 其震荡方向垂直的边缘处产生强烈的响应。也就是说，g a b o r 滤波可以看作一个 对方向和尺度敏感的有方向性的显微镜，当选定不同的频率，和方向p ，能够检 测( 响应) 图像中具有相应的频率和方向信息的局部的显著特征，从而可以形成 亮度图像的局部特征图谱。因此，二维g a b o r 小波具有很好的方向和频率选择性， 非常适合用来提取图像的纹理特征。 二维g a b o r 小波在纹理分析领域取得广泛应用还得益于二维g a b o r 函数与人 类大脑视觉皮层细胞对图像的激励响应一致。图3 7 是j j o n e s 和l p a l m e r 研究 得出二维生理感受野模型，它们特别象一组二维的g a b o r 小波。 一各耷 ( c ) 两者相减之差 图3 7 视觉皮层细胞对图像激励的响应特性与二维g a b o r 小波的比较 第一章基rg a b o r 小波和l 。g g a b o r 小波特征提取掌纹识别算法 ( ；a b o r 小波具有良好的方向和频率选择特性，同时g a b o r 函数又是能够取得 空域和频域联合测不准原理下限的惟一函数。设计小波的另一目标是得到最好空 | 日j 定位的尽可能宽的谱信息，从这个目标来说，g a b o r 函数就不是最优的。 图3 8 偶对称g a b o r 滤波器的传递函数 研究频域中偶对称g a b o r 撼波器的传递函数，就可以发现：构造不出任意带 宽的，在偶对称滤波器中不包含直流分量的g a b o r 函数。传递函数是分别以加上 和减去中心频率为中心的两个高斯函数的和。如果高斯函数的标准偏差仃大于中 心频率的1 3 ，这两个高斯函数的尾巴就会在原重叠，导致产生非零的直流分量， 如图3 8 所示。如果包含非零直流分量，就意味着不能在亮度大小跨几个数量级 的条件下处理图像，就不能构造互成正交对的滤波器。 3 3 2 基于g a b o r 小波的变换域特征提取 根据对掌纹特性的分析，掌纹图像可以看成纹理图像，因此可以用纹理 分析的方法束对其进行分析。如第二章中的所述，g a b o r 小波是一种有效的纹理 分析工具，基于g a b o r 小波滤波提取图像特征的分析和辨别图像纹理的方法符合 人眼视觉生理的特性，并已在生物特征识别领域有着广泛的应用。【s u x i a o s h e n g ，l i n i r o n g ，2 0 0 3 】 g a b o r 小波提取特征的方法的思想，就是先构造一组可任意更改尺度数和方 向数的二维滤波器组，然后用这一组g a b o r 小波对掌纹图像进行滤波处理，提取 相位信息形成- 值掌纹特征码，最后用汉明距离来衡量不同掌纹特征码之间的相 似度。 3 3 2 1g a b o r 滤波器的选取原则 一幅图像所包含的内容表现在所有局部的特征上。要准确地表示图像，必须 耳义全、取准所有特征信息，即要求滤波器在频域不交叠地覆盖全部区域，而g a b o r 第= 章基g a b a r 小波和l o g g a b o r 小波特征提取掌纹识别算法 小波基：作正交性意味着经滤波后的图像中有冗余信息，所以g a b o r 滤波器参数的 选择必须遵循以下的基本原则： 1 ) 角度1 1 日j 隔一致 假设旋转对称，同尺度下的所有滤波器要有相同的角度标准偏差，并且在 角度轴上均匀分依。 2 ) 尺度上指数间隔 滤波器的宽度从坐标平面的中心以指数增加，这样符合我们最初的目的。 3 ) 需要连续覆盖频率空间 发计的滤波器要确保g a b o r 滤波器组的响应在频谱上半峰幅值能相互接触， 且互不重叠。 ( ；a b o r 滤波器位置主要由方向和径向中心频率两个参数决定。一般可以取四 到六个方向，更细的分布会得到更好效果，但滤波器数会大大增加。实践表明， 针对掌纹纹理方向的识别，四个方向基本上能满足分类要求。径向中心频率的选 择，j a i n 在他的文章中给出了一个简洁的算法嘲】，并证甥了此算法在应用中的 有效性。对于一幅图像，若长宽为n 个象素，并且n 是2 的幂，则频率可以取以下 的值： 2 ，2 2 ，4 2 ，( n 2 ) 2 这里径向中心频率的间隔为一个倍频程，且上面的选择保证了滤波器最高径 向中心频率( n 2 ) 2 的通带落在图像阵列中，由以上参数选择可知，四个方向， 每个方向多个中心频率，滤波器的数量依据图像尺寸可达到几十个，后续计算量 很大。幸运的是每个滤波器的晌应对图像特征的提取都不是必不可少的。由于不 同的图像具有不同的主要纹理方向、频率特征，因此抓住这些主要特征就可以较 好地完成图像的分类。 由于掌纹识别主要是对手掌上固定不变的主线进行的识别，所以我们选用主 线的主要频率和方向作为参数，实践证明，g a b o r 滤波器选用一个主线的频率和 四个方向能够很好的表征掌纹的特征。 3 3 2 2g a b o r 小波抽取图像特征 给定一个掌纹图像o ( x ，少) ，我们选用一组固定频率、四个方向的滤波器来提 耳义特征，滤波器的方向分别为oo ，4 5o 。9 0o ，1 3 5o ，这些滤波器依次由g 。 ( 刀= 0 ，3 ) 来表示，对应的二维g a b o r 小波滤波为： ( 训) 2 i ( x ，少) 串g 。( x 一五，y 一乃协l 奶 ( 3 8 ) 第一章基丁j g a b o r 小波和l o g g a b o r 小波特征提取掌纹识别算法 其中，。表示卷积。哌( x ，少) 为滤波后的图像。其中频率为0 0 9 1 6 的一组四 个方向q ( x ，y ) 如图3 9 所示。 图3 9 频率为0 0 9 1 6 ，角度为别为0 ，4 5 ，9 0 ，1 4 5 度的一组g a b o r 滤波器 对图像每个像素而言，应用一组g a b o r 小波滤波器进行滤波，就得到了疗个 矩阵。由于特征点的幅值常常受到光照强度的变化、采集设备的个体差异性等外 部因素的干扰，所以我们提取滤波后局部的相位信息作为掌纹的纹理特征，用用 q ，。( x ，y ) 表示抽取图像的目标相位特征，并对相位特征q ，。( 工，j ，) 进行编码，编 码原理如图3 1 0 所示。 0 0 ) 1 卢 彳g x * 吨 r 1 。1 0 力 图3 1 0 编码原理图 图中将整个相位空间分为四个区，对落入该区的相角按图中示意进行两比特 编码( 格雷码) 。经过上述编码处理后，掌纹纹理特征变为一串由“0 ”、“l ” 组成的矩阵。如图3 1 0 中结构图中第二层的八个小图。 3 3 2 3g a b o r 小波特征匹配 由于获得的掌纹特征为“0 ”、“1 ”编码，所以我们采用汉明距方法进行特 征匹配。与其它匹配方法相比，该方法计算消耗少，只需简单的异或操作，当数 据库中的数据量很大时，效果很好。 两幅掌纹图像之间的匹配距离计算如下： 第一章基丁g a b o r 小波和l o g g a b d r 小波特征提取掌纹识别算法 2 。- 。p ( f ，) 姚) ”万一 ( 3 ，9 ) 其中，i ) 、q 分别代表两幅掌纹图像的特征矩阵，n 为矩阵维数。布尔运算符 “”表示对两个要进行匹配的掌纹特征矩阵进行异或操作。两个完全匹配的特 征矩阵的汉明距是“o ”，完全不匹配的特征矩阵的汉明距是“1 ，实际情况介 f “o ”、“l ”之间。另一方面，虽然我们已经对掌纹进行了精定位，但还可能 存在旋转位移。所以，需要在两个特征矩阵匹配的，其中一个特征矩阵左右或上 下平移进行多次匹配，最终找出这多次匹配中汉明距最小的作为最后的匹配结 果。 在张大鹏的掌纹特征提取算法中，他采用1 6 3 8 4 个特征点，编码长度为2 0 4 8 个字节，如果采用更多的特征点，将得到更好的识别效果，但占用更多的存储空 川和匹配时间。在实际应用系统中，必须对识别率和存储空间及匹配时间进行多 方面的权衡。 3 4 基于l o g g a b o r 小波掌纹特征提取算法 3 4 1l o g g a b o r 小波性能分析 3 4 1 1l o g - g a b o r 小波特性 l o g g a b o i - 函数是g a b o r 函数的另一种表述形式，它不受带宽影响，可以构 造出任意带宽和零直流分量的滤波器。