（计算机应用技术专业论文）基于小波变换的掌纹识别技术的研究.pdf

延边大学工学硕士学位论文 摘要 随着计算机和网络技术的迅速发展，信息安全显示出前所未有的重要性， 而安全、方便的个人身份鉴别技术作为信息安全的一个重要方面越来越受到 人们的重视。虽然利用掌纹进行个人身份鉴别已经引起了许多研究者的重视， 但是，对安全、有效的掌纹识别技术的研究仍然是一个充满挑战性的问题。 本学位论文通过对掌纹图像的去噪、掌纹图像的定位和归一化、掌纹特 征的提取和匹配等方法的研究，提出了一系列的掌纹分析方法。 本学位论文首先提出了一种新的掌纹图像去噪算法一布特沃斯小波去 噪算法，并通过实验与低通滤波、邻域平均滤波以及m u l t i t h rs h r i n k 去噪算 法进行了比较，从而验证了该去噪算法的有效性。其次，利用l o g 算子和 8 邻域边界跟踪相结合的方法提取出手掌轮廓线以及轮廓线的方向链码，通 过分析角点位置处方向链码所具有的规律性，提出了一种快速的手掌轮廓线 的角点检测方法。第三，根据提取出的角点对掌纹图像进行定位，并对感兴 趣区域( r o i ) 进行切取，提出了根据手掌的大小切取r o i 的方法。第四， 通过分析局部小波能量特征和全局小波能量特征的匹配能力，提出将局部小 波能量特征和全局小波能量特征进行特征融合之后作为掌纹特征进行匹配的 观点。最后，通过实验验证了这一系列掌纹分析方法的有效性。 关键词生物特征；掌纹；特征提取：特征匹配 a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e ra n di n t e r n e tt e c h n o l o g ya l lo v e rt h e w o r l d 。i n f o r m a t i o ns e c u r i t yh a sb e c o m em o r ei m p o r t a n tt h a nb e f o r e a sa n i m p o r t a n ta s p e c to fi n f o r m a t i o ns e c u r i t y , t h er e l i a b l e a n dc o n v e n i e n ti d e n t i t y r e c o g n i t i o nt e c h n o l o g yh a si n v o k e di n c r e a s i n gi n t e r e s t a l t h o u g hu s i n gp a l m p r i n t f o rp e r s o n a lr e c o g n i t i o nh a sd r a w ni n t e r e s t sf r o mr e s e a r c h e r s ，i t i ss t i l la c h a l l e n g i n gt o p i c b ys t u d y i n gt h ed e n o i s i n ga l g o r i t h m s ，l o c a t i o na n dn o r m a l i z a t i o nm e t h o d s ， f e a t u r ee x t r a c t i o na n dm a t c h i n gm e t h o d so fp a l m p r i n ti m a g e ，t h i sd i s s e r t a t i o n b r i n g sf o r w a r das e r i e so fm e t h o d sf o rp a l m p r i n ta n a l y s i s f i r s t l y an o v e lp a l m p r i n ti m a g ed e , n o i s i n ga l g o r i t h m - b u t t e r w o r t h 。w a v e l e t d e n o i s i n ga l g o r i t h mi sp r o p o s e di nt h i sd i s s e r t a t i o n ，a n di t i sc o m p a r e dw i t h l o w p a s sf i l t e rd e n o i s i n ga l g o r i t h m ，n e i g h b o r h o o da v e r a g ed e n o i s i n ga l g o r i t h m a n dm u l t i t h rs h r i n kd e n o i s i n ga l g o r i t h mb ye x p e r i m e n t t h ee x p e r i m e n tr e s u l t s p r o v et h ev a l i d i t yo ft h i sd e n o i s i n ga l g o r i t h m s e c o n d l y , t h em e t h o d so f l o g o p e r a t o ra n d8 - n e i g h b o r h o o db o u n d a r y t r a c k i n ga l g o r i t h mi su s e dt oe x t r a c tp a l m c o n t o u ra n di t sc h a i n c o d e b ya n a l y z i n gt h er e g u l a r i t yo fc h a i n c o d eo fp a l m c o n t o u r - an e wa n dr a p i dc o m e r d e t e c t i o nm e t h o di sp r o p o s e d t h i r d l y , t h e p a l m p r i n ti m a g ei s l o c a t e da n dt h er o i ( r e g i o no fi n t e r e s t ) i se x t r a c t e d a c c o r d i n gt o t h ec o n t o u rc o m e r s i m u l t a n e o u s l y , ar o ie x t r a c t i o n m e t h o d a c c o r d i n gt o t h ep r o p o r t i o no fp a l ms i z ei sp u tf o r w a r d f o u r t h l y , t h r o u g h a n a l y z i n gt h em a t c h i n gc a p a c i t yo fb o t hl o c a lw a v e l e te n e r g yf e a t u r ea n dg l o b a l w a v e l e te n e r g yf e a t u r e ，t h ef e a t u r ef u s i o nm e t h o di sp r o p o s e d f i n a l l y , t h e v a l i d i t yo fp a l m p r i n ta n a l y s i sm e t h o d sp r o p o s e d i nt h i sd i s s e r t a t i o ni st e s t i f i e db y e x p e r i m e n t s k e y w o r d sb i o m e t r i c s ；p a l m p r i n t ；f e a t u r ee x t r a c t i o n ；f e a t u r em a t c h i n g 1 1 一 延边大学工学硕士学位论文 1 1研究目的和意义 第1 章绪论 随着计算机技术和网络的迅速发展，信息安全显示出前所未有的重要性。 安全、方便的个人身份鉴别技术作为信息安全的一个重要方面越来越受到人 们的重视。总的来说，传统的身份鉴别的方法有两类：标志物法和知识法【1 】。 标志物法是采用“只有我有 的物件表明自己的身份，如个人的印鉴、证件、 信用卡、钥匙等；而知识法是采用“只有我知”的信息表明自己的身份，如 暗号、密码等。 随着当今工艺水平的提高，造假的水平也到了难辨真伪的程度，假的印 章、假的身份证件随处可见，所以基于标志物法的身份鉴别的可信度越来越 低；另外，在高度发达的信息社会里，人们往往要记住众多的密码，为了使 自己不忘记这些枯燥的数字和字母，人们习惯于用自己的生日、名字、电话 号码等作为密码，甚至直接把密码记在记事本上，容易泄露、被猜测，造成 了很大的安全隐患。所以，传统的方法不能有效地保证身份鉴别具有较高的 安全性。 随着人类对自身研究的深入，人们发现自身的许多生物特征是唯一的， 能把不同的人区分开，可以用于身份鉴别，于是，人们把目光转向了生物特 征识别技术，希望可以借此技术来应付现行系统安全所面临的挑战。近年来， 生物特征识别技术以其特有的普遍性、唯一性、稳定性和方便性，被越来越 广泛地应用在国防、安全、执法、福利发放、银行、股市证券、户籍身份证 管理等方面。 1 2 生物特征识别 1 2 1 生物特征识别技术的基本概念 生物特征识别技术是指利用模式识别、图像处理等方法对人类本身所具 有的独一无二的生理特征和行为特征( 统称为生物特征) 进行可靠而且有效 地分析和描述，通过判断这些描述的一致性，从而实现自动身份确认的一类 技术。人类的生理特征与生俱来，多为先天性的，如指纹、。虹膜、掌纹、人 延边大学工学硕士学位论文 脸、手形等；而行为特征则是习惯使然，多为后天形成，如签名、声音、步 态等【2 1 。 一般来说，能够用来鉴别身份的生物特征应该具有以下特点： ( 1 ) 普遍性，即每个人都应该具有这种特征； ( 2 ) 唯一性，即任何两个人在该特征上都具有足够的差异； ( 3 ) 稳定性，即所选择的特征不应该随时间变化而发生变化； ( 4 ) 可测量性，即该特征必须是可以被测量并量化的。 关于个人身份鉴别的问题可以分为两类：身份认证和身份识别。身份认 证指的是验证被测试者所声明的身份是否属实，给出接受或拒绝的建议，即 根据两个掌纹样本中的有效的特征来确定它们是否来自同一个人，是一种一 对一的特征匹配；身份识别则是从掌纹库中查找与被测试掌纹特征相同或相 似的样本，确定被测试者的身份，这个过程是一个一对多的匹配问题。由于 掌纹库是一个动态增长的特征库，身份识别对算法的要求较高。高效的算法 要在达到一定的识别率的同时满足系统的反应要求，即较高的识别率和较短 的系统反应时间。 1 2 2 典型的生物特征识别系统的基本结构 典型的生物特征识别系统如图1 1 所示，逻辑上包括两个模块：注册模 块和识别模块。在注册模块中首先登记用户的姓名，通过生物特征识别传感 器得到用户的生物特征信息，然后从获取的数据中提取出用户的特征模式， 创建用户模板，存储在数据库中。在识别模块中同注册过程一样获取用户的 生物特征信息，提取出特征模式，然后与事先注册在数据库中的模板相匹配， 检验用户的身份。 1 2 3常用的几种生物特征识别技术简介 1 2 3 1 指纹识别指纹是手指末梢乳突纹突起形成的纹线图案。目前指纹 识别主要利用指纹纹线所提供的细节特征的位置、类型、数目和方向的比对 来鉴别身份。指纹识别在所有生物特征识别中无论从硬件设备还是软件算法 上都是最成熟、应用最早、使用最广泛的。尽管如此，指纹识别技术也有不 足之处，对指纹质量较差的人群如皮肤干燥、有疤痕、老茧、表面磨损严重 和有病变的人无法取得好的识别效果。指纹使用接触式采集，传感器表面灰 尘油污附着物等会影响识别，留在传感器上的指纹存在被盗取和被复制的可 延边大学工学硕士学位论文 能性。 图1 1 典型的生物特征识别系统基本结构 f i g 1 - 1t h eb a s i cs t r u c t u r eo ft y p i c a lb i o m e t r i c sr e c o g n i t i o ns y s t e m 1 2 3 2 虹膜识别虹膜是位于瞳孔和巩膜间的环状区域。每个人虹膜上的 纹理、血管、斑点等细微特征各不相同。虹膜识别系统采用摄像机捕获用户 眼睛的图像，从中分割出虹膜图像，进行定位校准、特征提取、编码用以匹 配。到目前为止，虹膜识别的错误率是各种生物特征中最低的。但是，虹膜 因受到眼睑、睫毛的遮挡，准确捕获虹膜图像是很困难的，图像采集设备复 杂而且昂贵，且虹膜一旦有病变或损伤会影响识别，对盲者和患有如白内障 等眼部疾病的人无效。 1 2 3 3 人脸识别人脸识别是获取人脸图像，提取面部特征来进行身份识 别。用人脸进行身份识别直观、友好、方便、用户接受程度高。但计算机对 人脸的识别还远达不到人眼对脸部的识别程度。目前在限制性输入条件下， 在小样本数据库中人脸识别取得较好的效果，但识别准确率低于指纹和虹膜 识别。人面部表情、姿态、化妆、年龄等的变化及采集图像时光线、角度、 距离、面部遮挡等问题一直是人脸识别领域中的难题。 1 2 3 4 签名识别签名识别作为鉴定个人身份的一种有效手段已经在银行 业应用多年。它的依据是签名的某些内在的和唯一性的特征与产生签名这一 信息的特定的生物力学系统有关。但这种方法涉及到个人的行为，所以这个 特征易受被测试者的控制，与被测试者的情绪、身体状况等密切相关。而且 该特征还易于被伪造，所以离实用化还有一定的距离。 延边大学工学硕士学位论文 1 2 3 5 掌纹识别掌纹指手掌内侧表面的纹线图案，一般由3 5 条明显的 屈肌线、众多皱纹和乳突纹交错构成。每个人的掌纹形态均不相同，掌纹纹 理复杂，所提供的信息量较指纹丰富，利用掌纹的线特征、点特征、纹理特 征及几何特征完全可以确定人的身份。掌纹主要特征明显( 如屈肌线和皱纹 所形成的线特征) ，可在低分辨率图像中提取，不易受噪声干扰，特征空间 小，可实现快速检索和匹配。由于掌纹的区域比较大，信息量丰富，所以少 量的磨损和局部的变化几乎不会对整体的识别效果产生很大的影响。掌纹采 集方便，设备成本低，可接受度高。因此，可以说用掌纹进行身份鉴别是对 基于生物统计的身份鉴别技术的重要补充【3 】。 其他的生物特征识别方法，如语音识别、视网膜识别也在研究和开发当 中。相对来说，它们的系统成本很高，实用推广难度较大。 总之，人体的生物特征是最安全、最方便的身份鉴别工具【4 】，并且生物 识别产品均借助计算机实现，容易与安全、监控、管理系统结合，实现自动 化管理。随着信息化、数字化社会的逐步形成，生物识别技术的开发和应用 将会掀起一个新的高潮，越来越多的生物识别产品将会出现在银行账户、公 安侦察、互联网安全、电子商务等各个领域。 1 3 掌纹识别技术研究现状 作为一种新的人体生物特征，掌纹相对于其他生物特征有着其独特的优 势： ( 1 ) 易于被用户接受； ( 2 ) 具有丰富而且稳定的信息来识别个体； ( 3 ) 基于低分辨率图像，因此采集设备成本较低； ( 4 ) 不易仿造： ( 5 ) 在获取掌纹的同时也可获取掌纹的几何特征。 因此，掌纹识别是身份识别领域的一种非常重要的方法。 利用掌纹进行个人身份鉴别的观点是k m a t s u m o t o 5 】在1 9 8 5 年发表的论 文中首次提出来的。但从文献的检索来看，在2 0 0 1 年以前的十六、七年当中， 只有若干篇关于掌纹识别方面的论文。从2 0 0 1 年起，国内外才有一批学者开 始对掌纹进行广泛而深入的研究，但掌纹识别的研究还停留在新方法的尝试 阶段，不同的实验室正以不同的方式进行着，尚未形成有规模的讨论和共识。 虽然从理论上讲，掌纹有比指纹更好的分类性能和更高的鉴别能力，但 r，l 延边大学工学硕士学位论文 实际上掌纹的研究远落后于对指纹的研究。掌纹研究发展缓慢的原因有：一 方面，如果把传统的指纹识别方法用于掌纹识别，首先要对掌纹图像进行预 处理( 例如图像增强、滤波、分割、细化和修复) ，由于掌纹面积比指纹大 很多，所以计算量非常大。另外，由于掌纹图像的复杂性，采集得到的细节 特征点并不稳定，它可能随采集条件的改变而改变。所以采用传统的指纹识 别方法对掌纹进行识别是不可靠的。另一方面，在线掌纹图像，由于光照条 件不均匀，手掌伸展程度有伸缩，皮肤有弹性，因此采集到的图像有很多不 规则的噪声，使得从在线掌纹中提取线特征非常困难。 随着生物技术、模式识别、人工神经网络及计算机技术的发展，通过建 立大量的掌纹对照数据库，综合利用多种特征，人们将会在掌纹识别等方面 的研究和应用领域中取得突破性进展。 1 4 本文主要研究内容及结构安排 本学位论文以掌纹图像为研究对象，重点研究了掌纹图像的去噪、掌纹 的定位和归一化、掌纹特征的提取和匹配的各种方法，并对这些方法进行了 讨论。具体来说，本文主要做了以下几方面的工作：首先，利用文中提出的 b u t t e r w o r t h w a v e l e t 去噪算法对采集到的掌纹图像进行了去噪处理，并将去 噪结果图像与分别利用低通滤波方法、邻域平均滤波方法以及m u l t i t h rs h r i n k 去噪算法去噪后的结果图像进行了比较。其次，提出了一种快速的手掌轮廓 线的角点检测方法，并利用该方法检测出手掌轮廓线的角点位置。第三，根 据检测出的角点对掌纹图像进行定位和归一化处理。最后，提取出局部小波 能量特征和全局小波能量特征，进行特征融合之后作为掌纹特征进行匹配， 并通过实验验证了文中所提出的一系列掌纹分析方法的有效性。 本学位论文的内容安排如下：第一章对研究的目的和意义、生物特征识 别技术、国内外掌纹识别技术的研究现状和本文的主要研究内容进行了简要 的论述；第二章对掌纹识别技术进行了概括性的论述；第三章对采集到的掌 纹图像进行预处理( 去噪、定位和归一化) ，提出了掌纹图像的去噪算法和 掌纹的定位方法，给出了实验结果，并对实验结果进行了分析；第四章从由 第三章处理得到的r o i 图像中提取出小波能量特征并进行匹配，给出了实验 结果并进行了分析：最后得出了结论并对未来工作进行了展望。 oiir 0，rp lii-riirr 延边大学工学硕士学位论文 2 1 引言 第2 章掌纹识别技术 手掌位于手腕和手指之间，掌纹就是手掌内表面的纹线图案，一般由3 5 条明显的屈肌线、众多皱纹和乳突纹交错构成。掌纹形态受遗传基因控制， 形成后就很稳定，尽管掌纹曲线长度尺寸及掌纹曲线之间的间距会随年龄的 增大而变化，而且由于种种原因会使表皮剥落，但变化后或新生的掌纹仍保 留原来的结构。 每个人的掌纹形态各不相同，不同个体的掌纹即使相似，其纹线数目或 长度尺寸也不一致。掌纹纹理复杂，所提供的信息量较指纹丰富，利用掌纹 的线特征、点特征、纹理特征及几何特征完全可以确定人的身份。 基于掌纹的身份鉴别就是要判定2 幅掌纹图像是否来自于同个手掌， 处理步骤如图2 1 所示： 掌纹图像的采集 上 掌纹图像的预处理 ( 去噪、定位和归一化) 上 特征提取 上 特征匹配 上 识别 图2 一l基于掌纹图像的身份鉴别步骤 f i g 2 1t h es t e po fi d e n t i t yr e c o g n i t i o nb a s e do np a l m p r i n ti m a g e 一6 一 延边大学工学硕士学位论文 2 2 掌纹图像的采集 在掌纹识别中，采集掌纹图像的方法如下： ( 1 ) 用油墨直接把掌纹印于纸上，再用扫描仪导入计算机【6 - 9 1 。该方法得 到的图像直接就是二值图像，并且掌纹上较小的纹理也被滤掉，有利于一些 算法后期的处理，但对一些需要掌纹细节特征的算法不宜采用这种方法。另 外，人们往往不愿意用整个手掌去接触难于洗净的油墨，且这个过程需人工 参与，所以在实际应用中这种方法是行不通的。 ( 2 ) 直接用扫描仪扫入掌纹【lo ，1 1 】。该方法可获得较高的分辨率，但效果也 不是很好：其一，手掌贴于扫描仪玻璃表面时，掌纹图像会产生变形：其二， 扫描仪扫描一幅掌纹图像需要3 - 6 秒，在这段时间内，手掌或多或少会发生 一些抖动和位移，影响图像的质量：其三，在天气寒冷时，热的手掌和冷的 扫描仪玻璃表面近距离接触，会导致扫描仪玻璃表面凝结水雾，严重影响图 像的质量。 ( 3 ) n 数码相机或摄像头拍摄图像【l 7 1 ，该方法要制作相应的辅助设备，如 固定数码相机或摄像头的架子、背景平板、光源等。采样时成像时间短，图 像清晰，适合于实时性的掌纹识别应用。 2 3 掌纹图像的定位和归一化 得到掌纹图像之后，2 幅掌纹图像最后要进行特征匹配，这就要求2 幅 图像进行特征提取与匹配的区域是相同的，这一区域叫做感兴趣区域( r e g i o n o f i n t e r e s t ，r o i ) 。然而，由于获取图像时手掌和扫描仪、数码相机等的相对 位置是不一样的，所以需要对掌纹图像进行预处理，把图像校正到一个相同 的方向，然后截取相同位置的一块掌纹图像作为r o i 。 目前，掌纹图像的定位主要有两大类方法：基于不变特征点的定位方法 和基于椭圆拟合的定位方法。 2 3 1基于不变特征点的定位方法 基于不变特征点的掌纹图像的定位方法基于以下思想：观察手掌的采样 图像，不论手掌与扫描仪或数码相机的相对位置如何，手掌上的一些点的相 对位置是保持不变的，如果找到这些点，就可以通过它们建立相应的坐标系， 延边大学工学硕士学位论文 校正图像的方向，提取出掌纹图像的r o i 。 1 9 9 9 年，文献 6 提出了一种基于这一思想的算法：3 条屈肌线与手掌边 缘有交点，健康线交于外侧a ，而智慧线和生命线汇聚到一起交于内侧b ， 也偶见健康线横贯整个手掌，与两侧都有交点，形成所谓的断掌；或智慧线 和生命线不汇聚，分别与手掌内侧相交。但无论如何，对同一个手掌来说， 这些交点的相对位置具有不变性。这种算法通过方向投影确定2 个交点a 和 b ，通过这2 个点建立坐标系；线段口6 为直角坐标系的x 轴，线段口6 的垂 直平分线为y 轴，如图2 - 2 ( a ) 所示。 始姥 ( a ) 文献 6 】算法( b ) 文献【1 2 】算法( c ) 文献 1 0 算法( d ) 文献【8 】算法( e ) 文献 1 1 】算法 图2 2 基于不变特征点的掌纹图像的定位 f i g 2 - 2l o c a t i o no fp a l m p f i mi m a g eb a s e do ni n v a r i a b l ef e a t u r ep o i m s 2 0 0 2 年，l i 等在文献 1 2 中提出利用三个手指分叉点厂，g 和元，通过作 过g 点的直线历的垂线来确定坐标系，如图2 - 2 ( b ) 所示。2 0 0 3 年，h a n 等在 文献 1 0 中提出了用手指的指尖点和手指分叉点建立坐标系的算法。该算法 先把灰度图像通过阈值操作转为二值图像，再通过对二值图像进行8 邻域边 界跟踪提取出手掌的轮廓线；然后沿手掌的轮廓线计算每个点的曲率，再对 曲率的图像进行小波变换，曲率的图像中两个过零点之间的极小值点的位置 就是手掌轮廓线中曲率变化最大的点，这些点就是指尖点和手指分叉点，找 到分叉点厂，g 和中指指尖i 之后，通过线段詹的中点，和中指指尖i 可以确定 坐标系，如图2 - 2 ( c ) 所示。 同年，l i 等在文献 8 】中提出利用手掌外侧的轮廓线接近一条直线的特 点，拟合一条直线作为y 轴，再用方向投影算法，在接近y 轴的一定范围内 向y 轴做投影，以确定健康线与手掌外侧的交点a ，a 点就是坐标原点，如 图2 - 2 ( d ) 所示。 2 0 0 5 年，t e ec o n n i e 等人在文献 1 1 中提出了另一种利用手指分叉点直 延边大学工学硕士学位论文 接确定r o i 区域的方法。该算法首先检测出食指和中指、中指和无名指、无 名指和小指之间的3 个分叉点h ，屹和b ，连接屹和m 并延长至与手掌边界相 交，连接v 2 署iv 3 并延长至与手掌的另一侧边界相交。分别求出m 与边界的交 点所构成线段的中点a 。以及v 3 与边界的交点所构成线段的中点a ：，连接 以。和以：，以线段q 口：为基线建立正方形的r o i 区域，如图2 - 2 ( e ) 所示。 2 3 2 基于椭圆拟合的掌纹图像的定位方法 由于手掌的形状接近于一个椭圆，因此可以利用一个椭圆来拟合手掌。 2 0 0 3 年，k u m a r 等提出了一种基于椭圆拟合的算法【1 8 】。该算法先把掌纹图像 处理为二值图像，然后对前景的像素计算最佳拟合椭圆的参数，得到最佳拟 合椭圆长轴的长度和方向，最后根据这个方向来校正掌纹图像的方向。 2 4 掌纹特征的提取和匹配 对掌纹图像进行特征提取和匹配就是要确定2 幅掌纹图像是否来自于同 一个人，以达到身份鉴别的目的。好的特征提取算法应使从来自同一个手掌 的图像中提取出来的特征量尽量相同，而从来自不同手掌的图像中提取出来 的特征量尽量不同。在匹配阶段，采用什么样的匹配算法取决于所提取的掌 纹特征。目前，掌纹识别中所提取的特征从对象角度考虑主要有三种类型： 统计特征、结构特征( 点特征、线特征) 和代数特征。 2 4 1 统计特征的提取和匹配 基于统计特征的掌纹识别方法是将整个掌纹图像作为特征提取、表示和 匹配的对象。， “等人【1 2 】于2 0 0 2 年提出了一种基于傅里叶变换的掌纹特征提取方法。 该方法首先对r o i 图像作离散傅里叶变换，再把变换到频域上的图像从直角 坐标系变换到极坐标系，然后对傅里叶功率谱分别进行同心圆环和三角形区 域的划分，统计这些分块区域的傅里叶功率谱的能量作为该掌纹图像的特征 延边大学工学硕士学位论文 向量。特征匹配时，通过计算2 个特征向量之间的距离来衡量2 幅掌纹图像 是否来自于同一个人。 2 0 0 3 年，k o n g 等人【1 4 】提出对经过g a b o r 滤波后的掌纹图像点的实部和 虚部用两个二进制位进行编码，然后将所有掌纹图像点的( 阢，岛) 组合成特征 向量，最后用归一化的汉明距离进行匹配。h a n 等人【lo 】提出将经过s o b e l 算 子、膨胀腐蚀运算以及开闭运算处理之后得到的掌纹图像划分成若干块，计 算出每块中像素值的均值作为这一块的特征值组成特征向量，然后用相关系 数进行匹配。徐宁等人【1 9 】提出了将统计参数作为掌纹特征的方法，该方法首 先将图像由空域变换到小波域得到一组小波系数，将这组小波系数看作是一 组小波域内的随机变量。利用最大化函数f 和迭代的方法，学习得到该掌纹 模式所服从分布的参变量+ ，+ ，+ 作为模板。匹配时，对被测试的子图样 本x ，计算p 。= m a x p ( x l l u l ，；，) ，则该子图样本被认为是第c 类理想掌纹模 l 式经过小范围的平移和旋转得到的。该方法由于考虑了子图样本内在的平移 和旋转，所以得到了令人满意的识别效果，但是样本训练时间过长，迭代收 敛速度慢。 2 0 0 5 年，w u 等人【2 0 】提出首先将掌纹图像进行小波分解，然后将每一子 图划分成s s 个子块，计算每一子块的小波能量组成长为3 x s j 的特征向 量，最后通过计算两个特征向量之间的加权的c i t y - b l o c k 距离来实现两个掌 纹图像的匹配。 2 4 2 结构特征的提取和匹配 基于结构特征的掌纹识别是提取掌纹的结构信息，即主线、褶皱、奇异 点、细节点、特征点等进行识别。 掌纹具有与指纹类似的细节特征，f u n a d a 等人【2 l 】受此启发，于1 9 9 8 年 设计了一种去除掌纹上的粗大纹理对掌纹皮肤干扰的算法，从而在掌纹上得 到类似于指纹的纹线特征。但文献中仅给出了一张局部的墨迹掌纹图像的处 理结果。 由于直线段的匹配比曲线的匹配简单，z h a r i g 等人【6 】在1 9 9 9 年提出把掌 纹中的纹线都看成由小的直线段组成的纹理，即用若干条小的直线段来近似 表示一条掌纹线。该方法用线性模板检测出4 个方向上的直线段进行后期处 延边大学工学硕士学位论文 理，消除重叠的线段，分别计算直线段两个端点之间的欧氏距离，然后采用 一种匹配决策函数来判定2 幅掌纹是否来自于同一个手掌。这种方法需要对 掌纹线进行跟踪，因此非常耗时，而且屈肌线的连续性严重地影响近似的结 果，所以效果不是很好。 2 0 0 1 年，c h e n 等人f 22 提出了一种掌纹的粗大纹理上的特征点的提取和 匹配算法。该方法用方向图计算方法计算r o i 图像每一点的方向，然后按照 文献中的规则判断出粗大纹理上的所有点，然后用这些点重构粗大纹理。匹 配时，对来自于两幅掌纹图像中的粗大纹理上的点进行点对点匹配，将能够 匹配的点的数目与待识别图像中粗大纹理上的点的数目的百分比作为两幅掌 纹图像的相似度。 2 0 0 2 年，d u t a 等人【9 j 提出了一种沿掌纹上比较明显的纹理提取一些特征 点的方法。该方法首先用邻域平均法去噪，同时去掉一些细小的纹线。然后 对图像作二值化处理，利用形态学的腐蚀、膨胀以及减法运算去掉被误认作 掌纹线的区域。从剩下的前景中抽取出2 0 0 至4 0 0 个像素作为特征点，并将 特征点的位置调整到它所在纹线的中轴位置，同时对每一个特征点计算与它 相关联的纹线段的方向。最后，去除伪特征点，将剩余的特征点作为特征点 集。掌纹的匹配是使用一个二元组( p ，d ) 来表示代表两幅掌纹图像的两组 特征点集之间的匹配程度。其中，p 是2 个特征点集之间相关点的数量与较 少的一个特征点集的数量的百分比。d 是这些相关点之间的距离。p 可说明 特征点集中噪声的多少，d 可以说明来自同一手掌的2 幅掌纹图像发生非线 性形变的程度。文献中介绍的特征点匹配的详细算法，引入了m a e ( m e a n a l i g m n e n te r r o r ) 来度量特征点集之间形变的程度，并通过不断校正图像位 置减少m a e ，最终得到2 个特征点集之间的匹配程度( p ，d ) 。 2 0 0 4 年，李文新等人【23 】提出了掌纹特征线族( r o i 区域的纹线中若干条 跨度最长的掌纹纹线) 的概念，用以刻画掌纹上的主要特征，从而将掌纹纹 线特征分为主要特征和次要特征。通过对主要特征与全部特征的双向匹配， 给出最终的识别结果。 同年，w u 等人在文献 2 4 1 中详细介绍了所提出的基于d l e ( d i r e c t i o n a l l i n e e l e m e n t ) 的模糊方向集和模糊块划分的线特征表示方法。该方法用掌纹 线上各点的梯度大小和方向构造一个线特征矢量来表示一个掌纹。该矢量不 但含有掌纹线的结构信息，而且还含有这些线的强度信息，因而，线特征矢 量不但能区分具有不同线结构的掌纹，同时也能区分那些具有相似结构但各 线强度分布不同的掌纹。在掌纹匹配阶段，用互相关系数来衡量不同线特征 延边大学工学硕士学位论文 矢量间的相似性。 掌纹的统计特征和结构特征各有其优缺点。统计特征的提取方法是将掌 纹图像作为特征提取、表示和比较的对象，因此特征提取和匹配的过程直接、 简单，但是却忽略了大量的细节特征和结构特征；结构特征对掌纹的结构进 行了清楚的描述，但是方法复杂，而且迄今为止，还没有一种有效的掌纹线 的提取方法【2 0 1 ，匹配阶段的运算量也比较大。 2 4 3 代数特征的提取和匹配 代数特征克服了统计特征和结构特征的缺点。它不仅刻画了图像的本质 属性，而且通过各种代数变换和矩阵分解，可以方便地提取出代数特征。 2 0 0 3 年，l u 等人【2 5 】提出了特征手的方法。首先利用k l 变换，将训练 样本集中的掌纹图像转换成由图像的类间散布矩阵的特征向量所张成的较低 维的特征子空间。然后将每类样本的均值图像投影到特征子空间得到该类掌 纹的类心矢量。识别时，首先将待识别掌纹图像投影到特征子空间得到该掌 纹的特征矢量，然后求待识别掌纹的特征矢量与掌纹库中每一类掌纹的类心 矢量之间的欧氏距离。 同年，w u 等人【2 6 】提出了f i s h e r 手的方法。首先寻找一个使f i s h e r 准则 i w r sw i v v l p ，( ) 2 面巧五b v 诃vi 最大化的线性变换r ，将r 的列向量作为f i s h e r 掌纹空 | v l 间( f p s ) ，然后将每类掌纹的均值图像投影到f p s 中得到该类掌纹的类心 矢量。识别时，将待识别掌纹图像投影到特征子空间得到该掌纹的特征矢量。 2 0 0 4 年，j i n g 等人【2 7 】提出了基于判别式离散余弦变换的特征提取方法。 该方法首先根据一个二维的可分性判别规则来选择线性可分的离散余弦变换 的频带，然后利用一种改进的f i s h e r 手方法从该频带中提取出线性特征，最 后利用最近邻分类器进行分类。 2 4 4 分层的特征提取和匹配 为了提高特征匹配的正确率，减少特征匹配的次数，文献 7 ，1 5 - 1 7 ，2 9 提 出了采用分层的特征提取和匹配方法。这种方法利用掌纹上二些辨别力不是 很强的特征把掌纹分成n 个子集，再使用精度较高的线匹配或点匹配等方法 进行进一步的匹配。此外，w u 等人【2 8 】提出了一种基于主线的掌纹粗分类方 延边大学工学硕士学位论文 法。 2 5掌纹识别系统的构成 掌纹识别系统与一般的模式识别系统在结构上是一样的，都由两部分构 成，训练( 注册) 样本录入阶段和测试样本分类( 匹配) 阶段，如图2 3 所 示。训练( 注册) 样本录入阶段的过程可以描述如下：首先对获取的掌纹图 像训练( 注册) 样本进行预处理，然后进行特征提取，把提取的掌纹特征送 入特征库，留待与被测试样本进行匹配。测试样本分类( 匹配) 是对获取的 被测试样本经过与训练样本相同的预处理、特征提取步骤后，与特征库中的 掌纹特征进行匹配。 采集 注册样本 掌纹特征库的创建l 采集 测试样本 特征库检索 预处理u 特征提取量- 厩匹配l 一接受拒绝 图2 3 掌纹识别系统的构成 f i g 2 - 3t h es t r u c t u r eo fp a l m p r i n tr e c o g n i t i o ns y s t e m 2 6 本章小结 本章主要对掌纹识别技术及方法进行了概括性的论述和分析，包括掌纹 图像的获取、掌纹图像的预处理( 主要是图像的定位和归一化) 、掌纹特征 的提取和匹配。另外，还对掌纹识别系统的构成进行了描述。 延边大学工学硕士学位论文 第3 章掌纹图像的采集和预处理 3 1 掌纹图像的采集 为了能够利用掌纹对个人身份进行识别，首先要获取待处理掌纹的原始 图像，并把原始掌纹图像表示成用计算机可以运算的符号，即用矩阵或向量 表示原始掌纹图像。掌纹图像采集的目的就是利用某种数字设备实现掌纹图 像的获取以及把掌纹图像转换成计算机可以处理的矩阵数据。 一般地，掌纹识别系统获取的图像质量取决于系统的图像采集设备。对 于图像采集设备而言，为了降低系统的成本，对图像采集设备的要求不能过 高，只要保证能够采集到基本的图像信息即可。对于用户来说，他们希望简 化样本图像的采集过程，因此，识别系统要尽量减少采集样本时的种种规定 和限制。 在本学位论文中是利用数字扫描仪来采集掌纹的，而且规定采样时的手 掌方位为：指尖方向向前，腕部方向向后，手掌面向下，手背向上。通过这 种方式采集到灰度级为2 5 6 ，大小分别为6 0 8 x6 3 8 ( 7 5 d p i ) 以及 8 0 0 8 5 0 ( 1 0 0 d p i ) 两种类型的掌纹图像。 3 2 掌纹图像的去噪 在掌纹图像的采集过程中，图像常常会受到随机噪声的干扰。因而，实 际上得到的掌纹图像中包含了噪声成分。噪声的存在，破坏了图像像素间在 结构、纹理、内容等方面的相关性，不利于掌纹特征的提取。因此，在对掌 纹进行特征提取之前，一般都要对掌纹图像进行去噪处理。针对所要提取的 掌纹特征，选择适当的去噪算法，还可以在去噪的同时，去掉一些不必要的 特征，从而可以简化后续的特征提取阶段的工作。所以，在选择掌纹图像的 去噪方法时要综合考虑这两方面因素。 目前，对掌纹图像去噪主要采用低通滤波方法或邻域平均方法 9 , 2 0 , 3 0 】，这 两种方法可以有效地抑制噪声，但同时也滤除了一些边缘信息，而且还会发 生一定程度的边缘模糊现象。这两种方法适合于提取掌纹中的主线( 掌纹中 最粗最长的若干条) 特征，但不适合于需要保留更多边缘信息的特征提取方 法。 延边大学工学硕士学位论文 小波变换是目前比较流行的一种信号处理方法。由于采用了多分辨率特 性，所以可以在不同分辨率下根据信号和噪声的分布来去除噪声。本文在 b u t t e r w o r t h 低通滤波方法及小波变换的基础上，提出了一种新的掌纹图像去 噪算法一布特沃斯小波去噪算法。 3 2 1图像的小波变换及小波去噪原理 3 2 1 1图像的小波变换s m a l l a t 在1 9 8 6 年把计算机视觉领域的多分辨率 分析( m r a ) 的思想引入到小波分析中，统一了在这以前的各种小波基的构造 方法，并给出了一种带滤波器结构的离散正交小波变换与重构算法。假设二 维空间v j ( x , ，恐) 是可分离的， ) 脚是空间r 似) 中的多分辨率分析，则可以 证明 v j b o z 构成r ( r 2 ) 的多分辨率分析。若 巧 脚的尺度函数为，生成的 正交小波为少，则 巧) ，e z 的尺度函数为： ( 五，屯) = ( ) ( 恐)( 3 1 ) 生成的小波分别为： 沙“( _ ，而) = y ( 毛) ( 屯) 少。( ，x 2 ) = 矽( 五) y ( 恐) ( 3 - 2 ) 沙d ( 五，x 2 ) = y ( 五) y ( 屯) 图像的j 级小波变换可表示为： a j f ( x a ，恐) = ( ( 厂( _ ，x 2 ) ，纸( 五) 纸( 恐) ) ) 钠。z d y f ( x , ，恐) ；( ( 厂( 五，x 2 ) ，( 五) ( 恐) ) ) 岛，如。z 聊) 舷槲锵蹦瓤： 。3 蟛厂( 五，恐) = ( ( 厂( 五，恐) ，( 五) ( 恐) ) ) 岛，屯。z 一幅图像经j 级小波变换后，可得到一系列不同分辨率的子图像。图3 - 1 为图像的一级分解。其中左上角l l 是图像的平滑逼近a g f ( x l ，x 2 ) ，h l 是图 i l 延边大学工学硕士学位论文 像的水平方向的细节d j f ( x a ，x 2 ) ，l h 是图像的垂直方向的细节彤厂( _ ，恐) ， h h 是图像的对角方向的细节d ；f ( x l ，x 2 ) 。可以对平滑逼近子图像l l l 重复 进行小波分解，得到j 级分解。如图3 - 2 所示( j = 2 ) 。 l l lh l l l h lh h l 图3 1一级离散小波分解的频率分布 f i g 3 1f r e q u e n c yd i s t r i b u t i o no fo n e l e v e l d i s c r e t ew a v e l e tt r a n s f o r m l l 2h l 2 h l l l h 2h h 2 l h lh h l 图3 2 二级离散小波分解的频率分布 f i g 3 2f r e q u e n c yd i s t r i b u t i o no ft w o - l e v e l d i s c r e t e 鼢y e l e tt r a n s f o r l n 图像的分解算法可理解为：首先，将图像a j f ( x a ，x 2 ) 与一个一维滤波器 进行行卷积，之后进行列抽取，保留偶数列；然后将所得图像与另一个一维 滤波器进行列卷积，之后再进行行抽取，保留偶数行。图像的重构是分解的 逆过程，其算法可理解为：首先，在图像a j f ( x 。，x 2 ) ，d ；厂( _ ，屯) ，d ；厂( _ ，x 2 ) ， d ；厂( ，艺) 的奇数行插入0 ，之后与一个一维滤波器进行列卷积；然后在奇 数列插入0 ，之后再与另一个一维滤波器进行行卷积，就可以得到图像 彳卢。厂( ，x z ) 。通过重复这种运算，就可以由小波变换重建图像a o f ( x l ，x 2 ) 。 3 2 1 2 小波去噪原理对于图像而言，其所含噪声大多为高斯白噪声，因 此可以将一带噪声的图像数学模型描述为： y ( m ，n ) = f ( m ，以) + c r e ( m ，以)m = 1 , l ，m n = 1 , l ，n( 3 4 ) 其中f ( m ，n ) 为原始图像，而y ( m ，玎) 为含噪图像，e ( m ，玎) - - 一n ( 0 ，1 ) 为标准的高 斯白噪声，0 为噪声等级。由于小波变换是线性变换，因此，若e ( m ，刀) 为标 延边大学工学硕士学位论文 准高斯白噪声，则其经小波变换后仍为标准高斯白噪声。 信号和噪声在小波变换下的主要不同点有二点：( 1 ) 在小波变换下，噪 声的能量随着尺度的增加而迅速减小。而图像信号的平均幅值不会随着尺度 的增加而明显减小；( 2 ) 噪声在不同尺度上的小波变换是高度不相关的。信 号的小波变换则一般具有很强的相关性，相邻尺度上的局部极大值几乎出现 在相同的位置上，并且有相同的符号。 图像信号和噪声小波变换的性态所具有的不同特性是在小波变换域中区 分信号和噪声的主要依据。通过小波变换，噪声的能量分布在所有的小波系 数上，这类小波系数幅值小，数目较多；而图像信号( 包含噪声影响) 的小 波系数幅值大，数目较少。这样就可以