（信号与信息处理专业论文）基于ds证据理论的掌纹图像识别研究.pdf

摘要 生物特征识别技术是指通过计算机利用人体所固有的生理特征或 者行为特征来进行身份识别的过程。由于人的掌纹具有唯一性和稳定 性，比指纹具有更丰富的信息，其图像的获取也容易实现。因此掌纹被 认为是身份识别的又一个有效途径。 本文研究掌纹识别问题，对掌纹图像的预处理、特征提取、以及多 特征的融合技术作了一定程度的探讨，初步完成了一套掌纹识别软件。 采用数学形态学方法提取掌纹线特征；基于g a b o r 滤波器描述掌纹图像 的纹理特征。利用掌纹的线特征和纹理特征两个信息分别作两个分类器 的特征，利用模糊规则求出各分类器的基本概率分配函数，最后利用 d s 证据理论的合成法则对两个分类器的结果进行融合判决。实验结果 表明，这种方法是有效的，可行的。 关键词：生物特征识别数学形态学g a b o r 滤波器d _ s 证据理论 a b s t r a c t b i o m e l r i ci d e n t i f i c a t i o na t t e m p t st or e c o g n i z eap e r s o nb yh i s h e rb o d yo r b e h a v i o r a lc h a r a c t e r i s t i c s b e c a u s eo ft h ep e r s o n sp a l m p r i n th a su n i q u e n e s sa n d s t a b i l i t y , a n dh a sm o r ea b u n d a n ti n f o r m a t i o nt h a nt h ef i n g e r p r i n t m o r e o v e r ，t h ei m a g e c a nb ee a s i l yo b t a i n e d t h e r e f o r e , p a l m p r i n tr e c o g n i t i o ni sr e g a r d e da sa l le f f i c i e n tw a y f o rp e r s o n a li d e n t i f i c a t i o n t h ep a l m p r i n tr e c o g n i t i o ni ss t u d i e di nd e t a i l s o m ep r o b l e ma b o u t p r e p r o e e s s i n g 、 f e a t u r ee x t r a c t i o n 、f e a t u r ef u s i o na n dm a t c h i n gi sd i s c u s s e d t h ee x t r a c t i o no fl i n e f e a t u r ei so b t a i n e db a s e do nm a t h e m a t i cm o r p h o l o g y t e x t u r ef e a t u r ee x t r a c t i o nb a s e d o ng a b o rf i l t e r si sa l s oc a r r i e do u t u s i n gl i n ea n dt e x t u r ef e a t u r e s , t w oc l a s s i f i e r si s d e s i g n e d t h e n , b a s i cp r o b a b i l i t ya s s i g n m e n tf u n c t i o n so ft h et w oc l a s s i f i e r sa r e p r o p o s e db yf u z z yr e g u l a t i o n a tl a s t , t h er e s u l to ft w oc l a s s i f i e r sc a r r i e st h r o u g h f u s i o nd e c i s i o nb yd - st h e o r yo fe v i d e n c e t h er e s u l to ft h ee x p e r i m e n th a sa l r e a d y s h o w nt h a tt h i sk i n do f m e t h o di sv a l i d r e a s o n a b l e k e y w o r d s ：b i o m e t r i ci d e n t i f i c a t i o n , m o r p h o l o g y , g a b o rf i l t e r s , d - st h e o r yo f e v i d e n c e n 长春理工大学硕士学位论文原创性声明 本人郑重声明：所呈交的硕士学位论文基于d s 证据理论 的掌纹图像识别研究是本人在指导教师的指导下，独立进行研 究工作所取得的成果。除文中已经注明引用的内容外，本论文不 包含任何其他个人或集体已经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 作者签名： 型i 互主三皇冲至- 月孔日 长春理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“长春理工大学硕士、 博士学位论文版权使用规定”，同意长春理工大学保留并向国家有 关部门或机构送交学位论文的复印件和电子版，允许论文被查阅 和借阅。本人授权长春理工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，也可采用影印、缩印或扫描等复 制手段保存和汇编学位论文。 作者签名： 型l 兰三主廷2 丑年三月址日 指导导师签名：妇i 翁l 丢己旦与狰土月卑日 第一章绪论 1 1 课题研究的背景和意义 生物特征识别技术是指通过计算机利用人体所固有的生理特征或 者行为特征来进行身份识别的过程，因为这些特征是每个人所独有的， 其它人无法复制取代，用它们来识别人的身份，显然比使用口令或信物 等方式要安全得多。目前广泛应用的或研究的生物识别技术有：人脸识 别、指纹识别、手形识别、掌纹识别、虹膜识别、视网膜识别、人耳识 别、签名识别和语音识别等。这些特征由于具有唯一性、稳定性、不易 丢失、难于复制、难于窃取、容易使用、不易替代等优点。故被认为是 一种最可靠、最有前途的身份识别技术，并且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、电子商务、疾病诊断、户籍 身份证管理等方面。2 1 世纪初麻省理工学院技术评论将生物识别 技术列为在未来几年将对人类社会带来革命性影响的十大技术之一。 b i l lg a t e s 也断言生物认证技术将成为今后几年i t 产业的重要革新。 生物特征识别已经成为当前信息安全技术的研究热点。 在上述的各种生物特征识别技术中，指纹身份鉴别时最早的、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，但也存在着设备昂贵、使用不便等缺陷。近几年，人脸识别和语 音识别也逐渐成为身份识别研究的热点，但其准确率难以让人满意。而 掌纹识别具有其他识别技术的优点，又有自己独有的特点，由此掌纹识 别技术越来越受到人们的重视。 掌纹是指手指和手腕之间的部分，人的掌纹具有唯一性和稳定性， 比指纹具有更丰富的信息，其图像的获取也容易实现。因此掌纹被认为 身份识别的又一个有效途径。掌纹与人脸、指纹、手形、虹膜等其它生 物特征相比具有以下特点： ( 1 ) 具有终生不变性和唯一性； ( 2 ) 利用基准点和中心对掌纹进行定义具有旋转不变性和唯一性： ( 3 ) 掌纹的区域比指纹大得多，可以比较容易地获取掌纹质量较 好的掌纹块来提取细节特征； ( 4 ) 除细节特征具有唯一性和稳定性以外，掌纹中的各类线特征 也具有唯一性和稳定性； ( 5 ) 在获取掌纹的同时还可获取手掌的几何特征； ( 6 ) 不易仿造； ( 7 ) 不容易因受伤或者磨损而影响到采集图像的质量，被窃取的 可能性比指纹小得多； ( 8 ) 可在较低空间分辨率的图象中提取掌纹中的线特征，提高掌 纹识别系统的抗噪声干扰能力； ( 9 ) 由于对掌纹图象的分辨率可降低要求，因此比指纹更易采集， 特征提取也更容易，成本价格要远远低于虹膜采集设备的价格。人们也 担心采集虹膜图像会对眼睛有害。 ( 1 0 ) 易被人们接受，不会像指纹那样联想到犯罪。 综上所述，基于掌纹的身份识别方法，既能满足个人身份识别系统 的技术指标( 唯一性、抗噪声、防伪、实时、安全可靠、低成本、特征 数尽可能少、在精度上降低两类误差、保护隐私等) ，又能克服指纹方 法的局限性，还能克服人脸表情，化装等的影响，而且也克服了虹膜采 集设备价格偏高的缺点。因此，掌纹识别同其他生物特征识别相比，将 具有更广阔的应用前景。但它作为一门新兴的生物识别技术，有许多理 论尚不成熟、不完善，当然也没有形成统一的理论，所以我们应该做更 广泛和更深入的研究。 1 2 国内外研究现状 1 2 1 掌纹识别的主要应用方向 目前，基于掌纹特征的生物识别技术主要应用在身份鉴别和掌纹诊 病( 如图1 1 ) ：基于生物统计的身份鉴别一般分为身份验证( 一对一) 和身份识别( 一对多) 两大类。基于掌纹的身份验证是要确定两个掌纹 样本是否来自同一个人。身份验证要求利用的掌纹的生理特征应具有稳 定性、唯一性、不易仿造、提取方便的特点，因此可提取手掌的几何尺 寸、掌纹三角点和屈肌线等特征来进行身份验证。基于掌纹的身份识别 是指用一个掌纹样本从掌纹库中查找具有相同或相似生理特征的掌纹， 从而判定掌纹的主人，身份识别主要应用于刑事侦查。应用计算机对掌 纹进行自动识别还可应用于医学研究。由于掌纹形态具有相对的稳定性 和可靠性，无个体与种族的后天的变异，利用计算机掌纹自动识别技术 可对大规模群体建立数据库，利于详细比较和观察，找出统计意义上的 掌纹与疾病的关联，以建立辅助诊断的专家系统。目前，哈尔滨工业大 学和香港理工大学申请了“8 6 3 ”项目，主要研究掌纹诊病。这也是香 港理工大学的张大鹏教授首先提出的。而其它团队还只限于掌纹识别的 2 研究。 翟= 1 2 2 掌纹识别系统的研究对象 目前掌纹识别系统所采用的掌纹图象主要分脱机掌纹和在线掌纹 两大类( 如图1 2 ) 。脱机掌纹图象，是指在手掌上涂上油墨，然后在 一张白纸上按印，然后通过扫描仪进行扫描而得到数字化的图象。由于 掌纹的纹型与指纹的纹型相似，因此一个很自然的想法是利用指纹分析 方法对掌纹进行研究，最早关于掌纹的研究文献报道主要以脱机掌纹咖 为主；在线掌纹则是用专用的掌纹采样设备直接获取，图象质量相对 比较稳定。随着网络、通信技术的发展，在线身份认证将变得更加重要。 图1 2 脱机掌纹和在线掌纹 1 2 3 掌纹识别技术的发展 基于掌纹的身份鉴别方法已受到国内外有关研究与应用部门的关 注，并开展了一些尝试性的研究，也取得了一些阶段性的实验结果 m s t s u m o t o 和k a t s u h e i “1 在1 9 8 5 年发表的论文中首次介绍了利用掌纹 识别进行身份鉴别，主要用在预防计算机有关的犯罪，即防止非法的拷 贝软件，非法使用数据库等，但该论文只做了初步的研究。s h i o n o ， i s h i k a w a 和s h i m a d a 在1 9 9 1 年发表的论文中介绍了他们用手掌和掌 纹进行身份认证的试验结果。他们试制了一种结合手形和掌纹的识别方 法，并在5 0 个人的小群体中测试，拒绝非授权人进人率为9 9 8 9 6 。 p a u l s w h 和黎明等”“于1 9 9 7 年提出了基于堆栈滤波器的金字塔法和 金字塔白适应动态h o u g h 变换法提取手掌屈肌线，但其重点研究的是脉 冲噪声干扰下的边界探测方法，与在线采样得到的图像样本间有些差 异，这也可以认为是国内研究掌纹识别的开端。 掌纹中所包含的信息远比一枚指纹所能提供的信息丰富，利用掌纹 的线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。 掌纹采集方法简单，采样设备的成本也不高，从理论上讲掌纹识别应比 指纹分析技术更可靠、更先进。但从相关文献的检索结果来看，虽然对 掌纹的研究正在不断地从理论与应用两方面深入，但无论是研究规模、 成果还是应用情况，掌纹的研究都远落后于对指纹的研究。 1 2 4 掌纹识别的主要研究方法 掌纹是指手指和手腕之间的部分，掌纹识别0 1 是利用人的掌部纹理 作为生物特征进行身份的自动确认，是生物认证领域的又一新兴技术。 掌纹是由主线( p r i n c i p a ll i n e s ) ( 生命线、感情线、智慧线等) 、 褶线( w r i n k l e s ) 、乳突纹( r i d g e s ) 组成( 如图1 2 ) 。其主要特 征可以定义为几何特征、主线特征、纹理特征。 掌纹中的乳突纹可以在局部形成三角或弓箕斗等纹型。其与指纹的 差别在于：一枚指纹只有一种纹型，而一个掌纹则至少有4 个三角点、并 可能同时有多种纹型存在，纹型形态、方向也多种多样，因此从理论上 讲，掌纹有比指纹更好的分类性能和更高的鉴别能力。我们也可以将关 于指纹的成熟算法应用到掌纹中来，但由于掌纹的面积较大，而像指纹 一样的特征点提取算法是针对高分辨率图像的，这样就会使识别系统需 要处理的数据非常大，处理速度非常慢，也就谈不上适时性了。所以我 们需要研究适合掌纹识别的算法。就现有的可查阅的文献来看，目前掌 纹识别的方法“”如下： ( 1 ) 基于线特征掌纹识别方法 掌纹的线特征可以看作是掌纹三大主线和褶线及乳突纹的组合，该 特征明显且稳定，三条主线的长短、宽窄、分布和走向构成了重要的掌 纹特征。我们可以利用适当的方法表示提取出来的主线特征，比如端点 和拐点坐标，主线的曲率等。用于掌纹线特征的检测算法主要有基于 4 空域微分算子的边缘检测法帆“，方向投影算法“。“1 1 和基于堆栈 滤波( s t a c kf i l t e r ) 的方法啪。但完全的提取出三条主线是很难的， 三条主线也很难和褶线直接区分开，更特殊的是有一部分手掌不具备三 条主线。褶线的提取理论上是较好的方法，但褶线通常是很复杂的，这 就耗费时间，影响系统的性能。 传统的线特征提取多基于边缘检测，由于边缘点对应于梯度具有最 大值的点，也对应于二阶微分的零交叉点，因此边缘检测常借助于空域 微分算子进行。梯度算子，是微分算子中最为常见的一种，在实际中 常用两个n x n 大小的模板与图像卷积来近似计算梯度，两个模板分别 对应了图像的x 方向和y 方向的梯度近似。经常被用于掌纹特征提取的 s o b e l 算子即属于梯度算子之一，w e n x i nl i 等在”中也使用边缘检测算 子提取线特征。掌纹纹理具有一定的宽度，其主线具有约6 个像素的宽 度，为了不丢失线特征的宽度信息，f h c a n n y 算子“”实现的步进边缘检 测( s t e pe d g ed e t e c t i o n ) 算法在“”中被使用为了衡量一个边缘检 测算子是否满足应有的性能指标，c a n n y 提出了判定的三个准则：信噪 比准则，定位精度准则和单边缘响应准则。他以这些准则为基础，应用 变分原理得到一个由边缘定位精度和信噪比乘积组成的并且形式近似 于高斯函数一阶导数的表达式，从而把边缘检测问题转换为检测函数极 大值的问题。 x i a n g q i a nw u 等在“8 1 中将用高斯函数平滑后的图像与高斯函数的 一阶导数和二阶导数做卷积以检测水平方向的线段。其他方向上的线特 征检测通过将水平方向线性检测器旋转一定角度后得到。p a u l s w u 和黎 明等。”于1 9 9 7 年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 变换法提取手掌屈肌线，但其重点研究的是脉冲噪声干扰下 的边界探测方法，与在线采样得到的图象样本间有些差异；束为“。埘 d a v i dz h a n g ”等提出了强制模板法和基于拉普拉斯算子的金字塔法来 提取掌纹的线特征，但结果也不理想“”。另外，基于堆栈滤波的金字 塔边缘检测算法和依据灰度形态学中的膨胀、腐蚀、开、闭等概念构造 的算子“”也被用于掌纹纹理的提取。 ( 2 ) 基于纹理特征掌纹识别方法 掌纹可以看作是一种特殊的纹理模式，因此利用纹理的统计特性也 可以作为掌纹识别的重要特征。实际上，纹理是一种重要的识别特征， 在处理识别问题十分有效o “。从文献瞄“1 中我们可以看到有纹理特征方 法的应用。如果说纹线提取是一种局部处理方法的话，纹理能量的方法 则是一种全局的方法。此方法不关心掌纹纹线的具体分布和尺寸，只关 心手掌在某指定方向的纹理能量分布。基于纹理能量的掌纹识别是一种 非常简单实用的方法。由于算法忽略了图像细节，在一定程度上克服了 图像噪声和平移旋转的影响。而且由于算法简单，计算速度快，适合处 理大数据量图像的快速分类和匹配。但该方法不能满足精确识别的要 求。李文新等。”提出了一种基于纹理能量的掌纹鉴别方法，虽取得了一 些阶段性的研究成果，但算法仍有待进一步改进。k o n g 等乜1 “列提出二 维g a b o r 相位编码的方法用于掌纹特征的提取取得了较好的效果。 ( 3 ) 基于时域或频域变换的掌纹识别方法 w e n x i nl i “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。口特征定 义为按角度划分的频域予区域图像内的能量总和。k o n g 等吼“矧将g a b o r 变换用于掌纹频域内的特征提取，g a b o r 变换可以使得空域和频域内不 确定度同时达到最小。苏晓生等在”3 中尝试使用h a r t ，s y m l e t 和 d a u b e c h i e s 4 、波对原始灰度图像进行二维小波分解，经过s 级分解后得 至u 3 s + i 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。 ( 4 ) 基于线性子空间的掌纹识别方法 这种方法主要是用来降维，而应用到掌纹图像的只是基于线性子空 间的方法，目前主要有如主成分分析法( p c a ) 跚1 ，特征掌( e i g e n p a l m ) 方法”和基= j = f i s h e r 线性判别的f i s h e r p a l m 方法嘲等等，主成分分析 是多变量统计中的一种降维技术，该方法认为任何一幅图像都可以分解 为一系列向量与系数的线性组合，该类系数是彼此不相关的，并且服从 高斯分布，将其中包含信息成分最多的向量方向视为主要组成成分方 向，摒弃其他方向及其系数。f i s h e r 算法的主要思想是，在一般情况下， 总可以找到某一个或某一些投影方向，使得样本投影在该方向上的结果 能够符合类内离散度最小，类间离散度最大的标准。 ( 5 ) 基于矩函数( m o m e n t s ) 的掌纹识别方法 来自力学中矩的概念已被广泛应用于图像特征提取领域中。矩函数 构成的特征矢量在图像的平移、旋转、尺度变化时保持不变，因此常用 各阶矩对二维图像进行描述。正交矩是矩的一种，该类矩对应于图像的 独立特征，表示图像的非相关性，并且在矩集中具有最小信息冗余度。 6 在文献蚓中p a n g 是通过原始掌纹图像计算z e r n i k e e 交矩、伪正交矩 和l e g e n d r e 正交矩来提取掌纹的，是利用了矩函数构成的特征矢量在图 像的平移、旋转、尺度变化时保持不变的性质来实现的。 总之，掌纹识别的研究是图像处理和模式识别领域研究的热点和难 点，同时对生物特征识别的发展和对国民经济的影响具有深远意义。 1 3 掌纹识别系统的组成 掌纹识别系统同一般的模式识别在结构上是一样的，它们都由两部 分构成，训练样本录入( 用户注册) 阶段和测试样本分类( 用户身份识 别) 阶段，如图1 3 示。训练样本录入( 用户注册) 阶段可以这样描述， 首先对获取的掌纹图像训练样本进行预处理，然后进行特征提取，把提 取的掌纹特征存入特征库，然后与被分类样本进行匹配；测试样本分类 ( 用户身份识别) 阶段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，送入到分类器进行分类和匹配。以上的各过程 并不是独立存在的，它们是相互制约、相互联系的。如特征提取与选择 在很大程度上决定了分类效果，而分类器的设计也会提高系统的性能。 它们只有紧密联系、彼此协调处理才能构成一个完整、优秀的模式识别 系统。 厂一一一一一一一一一一一一一一一一一一一一一一一一一一一 f 掌纹图像的l j 掌纹图像的l 扒l 掌纹图像的l j l 掌纹图像特i i l l采集r i 预处理 卅特征提取卜卅 征库 i i i i 广 i i 一一一一一一一一一一j 立i 蜘_ 一一一一- j 上一一一一一一一 掌鬻的酬掌篓器簦的酬渊酬掌鬻的酬识别结果采集r v 1 预处理 卅特征提取r 们识别 y 1 ”1 4 i “i l 一一一一一一一一一一一旦魈堡进一一一一一一一一一一一一j 图1 3 掌纹识别系统的一般组成 1 4 本文研究的主要内容 本文采用了香港理工大学掌纹图像数据库，在此数据库的基础上本 文在第二章提出了基于s u s a n 算法的角点检测，取得了较好的效果，同 7 时和h a r r i s 算法作了比较，建立了直角坐标系，得到了1 2 8 1 2 8 的掌 纹子图像；第三章提出了基于灰度特性的主线特征提取方法和基于数学 形态学的后续处理，得到了较好的掌纹主线特征。第四章利用二维 g a b o r 滤波器完成了掌纹纹理特征的提取。第五章根据线特征和纹理特 征分别建立了分类器，并提出了基于d - s 证据理论的掌纹主线特征和纹 理特征的融合识别方法，同时和x i a n g q i a nw u 的方法作了比较，实验 结果表明，该方法有很好的稳健性，降低了主线特征和纹理特征单一匹 配的错误率，提高了融合精度。第六章对全文进行了总结。 第二章掌纹图像的预处理 2 1 掌纹图像预处理的必要性 本文采用的是香港理工大学的掌纹数据库，他们采用的图像采装置 ( 如图2 1 ) 。该图像采集装置中设立了定位柱对掌纹进行定位。但是 由于掌纹区域远比指纹的区域大，不同人的手掌的大小也不相同，定位 装置部分又有一定的灵活性，故采集到的掌纹都存在一定的旋转或平 移。那么就必须对采集到的掌纹图像进行预处理。对掌纹的预处理一般 包括掌纹的定位和掌纹的目标区域分割，其中定位可以减小掌纹采集时 旋转和平移的影响；分割可以减小图像数据量，提高识别速度。 由于掌纹定位和分割对掌纹图像的后续处理影响较大，为了保证识 别系统的准确率和有效性，减少图象处理算法的复杂度，要求采用方位 无关( 即识别过程与图象旋转、平移、尺度变化等方向定位因素无关) 的匹配模式。而且要求从用同一采集装置对同一个人进行连续多次采样 所得到的样本中提取出的特征相同。因此在匹配识别之前，应先从采集 到的图像中提取出合适的基准点，建立参照坐标系，然后对掌纹进行归 一化分割，得到一直的目标区域，这显然对提高算法的稳健性、改善系 统性能是非常必要的。 ( a ) 采集装置( b ) 采集到的掌纹图像 图2 1 采集设备和掌纹的获取 9 2 2 掌纹图像中心区域的分割 目前掌纹中心区域的分割方法主要有两种，一种是把掌纹的最大内 内切圆作为目标区域，另一种是根据关键点定义直角坐标系，提取固 定大小的矩形区作为目标区域嘲。由于本文采用的掌纹图像数据库受采 集设备固定柱的影响造成掌纹图像上的中指和无名指问掌纹缺失，即使 是同一个人不同时间采集的掌纹图像缺失的大小也不一样，这样掌纹的 最大内切圆就失去了意义( 如图2 2 ) 。所以本文也采取矩形区域作为 予图像区域的分割结果。 图2 2 同一个人不同时间采集的掌纹 2 2 1 基于s u s a n 算法的掌纹图像的角点提取 为了减小掌纹图像旋转和偏移的影响，需要对掌纹进行定位处理。 目前应用于掌纹定位的方法主要有两种“川( 如图2 3 ) 。 图2 3 掌纹定位方法 l o ( b ) 根据我们采用掌纹的特点，我们采用图2 3 ( b ) 的定位方法，显然这种 方法的关键在于足1 和k 2 两点的检测，其中置l 是指食指和中指的交点， k 2 是指中指和无名指的交点。像k 1 、k 2 这样的点我们也称之为角点， 角点的定义为二维图像亮度变化剧烈的点或图像边缘曲线上具有曲率 极大值的点。提出合适的角点检测算法，显然会降低后续处理的复杂度。 常见的角点检测算法有h a r r i s 算法和s u s a n 及m i c 算法。本文我们采 用了s u s a n 算法进行角点提取，同时把h a r r i s 算法和s u s a n 算法进 行了比较。 s u s a n 算法嘲是1 9 9 5 年英国牛津大学的s m s m i t h 等人提出的一 种低层次图像处理的最小核值相似区( s m a l l e s tu n i v a l u es e g m e n t a s s i m i l a t i n g n u c l e u s ，s u s a n ) 算法。它直接对图像灰度值进行操作， 方法简单，无需梯度运算，保证了算法的效率；定位准确，对多个区域 的结点也能精确检测；并且具有积分特性，对局部噪声不敏感，抗噪能 力强。 s u s a n 准则的原理如图2 4 所示，用一个圆形的模板遍历图像， 若板内其他任意像素的灰度值与模板中心像素( 核) 的灰度值的差小于 一定阈值，就认为该点与核具有相同( 或相近) 的灰度值，满足这样条 件的像素组成的区域称为核值相似区( u n i v a l u es e g m e n ta s s i m i l a t i n g n u c l e u s ，u s a n ) 。把图像中的每个像素与具有相近灰度值的局部区域 联系是s u s a n 准则的基础。 图2 4s u s a n 准则原理 将位于圆形窗口模板中心等待检测的象素点称为核心点。假设图像 为非纹理，核心点的邻域被划分为两个区域：亮度值等于( 相似于) 核 心点亮度的区域即核值相似区和亮度值不相似于核心点亮度的区域。它 包含了图像结构中大量的信息。如图2 5 给出了u s a n 的三种典型形状： 考虑上述三种情况，对于核心点在u s a n 区域内，其u s a n 区域最大； 核心点位于边缘，其u s a n 区域为整个邻域面积的t 2 ；而角点附近 u s a n 区最小。基于这一原理，s m i t h 提出了最小核值相似区( s u s a n ) 角点检测算法。将模板中的各点与核心点( 当前点) 的亮度值用式( 2 1 ) 的相似比较函数进行比较。 ( a ) 核心点在u s a n 区域内( b ) 核心点是一个边缘点( c ) 核心点是角点 图2 5 u s a n 的3 种典型形状 c ( _ ，巧) = 【1 。, ，i 扩f i i i j ( 【f r - ) ，- 一i ，( 【t i o ) ) l i t ， ( 2 1 ) 式中焉为二维图像中核心点的位置，f 是模板其他点的位置，c ( _ ，巧) 为模板内属于u s a n 区域的像素判别比较输出函数，( f ) 是模板中任 意象素点的亮度值，f 是表示亮度差值的一个门限值，它影响检测到角 点的个数，f 减小，获得图像中更多精细的变化，从而给出现对较多的 检测数量；r 增大，监测到的数量将减少，所以门限f 必须根据图像的对 比度和噪声等因素确定。u s m q 的大小可由式( 2 2 ) 计算出： n ( x o ，朋) = c ( x ，j ，) ( 2 2 ) ( z ，y 卜( 却，o ， 式中以是u s , 心i 区域内象素的个数。参数埔k 定了u s a n 区域各点 之间最大的亮度差值。将疗与一个特定的门限值g 进行比较，s u s a n 角点检测算法将g 设定为 m z 。( 定义碍。为u s a n 的最大面积) 大小的 一半，则可通过式( 2 3 ) 产生角点初始响应函数。 砾，= 盖一戮铝 眨， 门限g 决定了输出角点的u s a n 区域的最大值，即只要图像中的像素和 具有比g 小的区域，该点就被判定为角点；门限t 表示所能检测角点的 最小对比度。根据这一准则，本文提出了一种改进的s u s a n 算法，首 先将掌纹图像进行二值化处理，二值化方法采用域值分割法，域值法的 变换函数表达式如下式( 2 4 ) ： m ) = f 露r ( 2 4 ) 其中丁为指定域值，具体域值由掌纹图像的直方图得到。由此我们的到 了掌纹的二值图像( 如图2 6 ) 。 ( a ) 直方圈 图2 6 二值化 ( b ) 二值化结果 下面我们对掌纹的二值图像应用改进的s u s a n 算法确定关键点 k 1 和k 2 。具体算法如下： ( 1 ) 确定圆形模板的大小，本文确定模板的大小为r = 5 ，得到 u s a n 的最大面积，为模板半径； ( 2 ) 设比较输出函数c 为 帆) = 比嬲舻。 旺s ， u s a n 的大小可由下式计算出： n ( x o ，) = c ( x ，) ，) ； o 。，卜( m ) ( 2 6 ) ( 3 ) 判断角点 砾) = 埠豁恕：) 9 2 吒1 舻沁眩7 ， 得到的结果如图2 7 ( a ) ( a ) s u s a n 角点检测结果 图2 7 角点检测 ( b ) h a r r i s 角点检测 另外，本文也尝试了用h a r r i s 算法检测角点，结果如图2 6 ( b ) 。 h a r r i s 采用了三次高斯滤波，是基于微分运算的，而且运算速度较慢， 实验结果表明h a r r i s 算法会检测出许多非需要的角点，这与它对噪声的 敏感度有关。而改进的s u s a n 算法的角点响应函数的双闽值设置是根 据关键点的特点决定的，原算法只要聍 璺可以删除一些毛刺的影响，进而得到准确的关键点k 1 和 彤2 。 2 2 2 直角坐标系的确立和目标区域分割 由s u s a n 算法检测到的角点k i ，k 2 可设其坐标分别为 1 4 酏堋矧枞) 删中点。的坐标可确定为。( 半，半 ，连 接k 并过中点0 作k 墨的垂线o p 得到如图2 8 所示坐标系。 直角坐标系的确定有利于掌纹子图像的归一化，那么在建立坐标系 后，我们要根据这个坐标系来截取原图像的一块子图像，并将其旋转至 水平，在以后的处理中，我们将分析所提取子图像中的特征。由图2 1 可以看出，掌纹的中心区域包含了掌纹中的最主要的特征和信息，所以， 我们选择掌纹的中央部分来进行以后的特征提取与匹配识别。 图2 8 直角坐标系的确定 本文中我们提取距坐标原点d 相等，大小为1 2 8 ，1 2 8 的掌纹中心区域， 如图2 9 ( a ) 。因为这个区域是掌纹中最主要的部分，再加上采集图像 的线条清晰，所以用掌纹中心区域进行匹配识别既可减少不必要的噪声 干扰，又可提高算法的运算速度。在把掌纹中心区域绕坐标原点d 旋转 得到掌纹的子图像，结果如图2 9 ( b ) 。我们对掌纹的后续处理将围绕 此区域进行。 ( a ) 掌纹中心区域 ( b ) 分割结果 图2 9 目标区域的分割 2 3 实验结果及分析 分割的结果取决于是否能够正确定位，而能否正确定位又是由角点 检测的结果决定的。本文把s u s a n 算法应用于掌纹图像的角点检测，并 由此得出关键点，对掌纹进行有效定位，取得了较好的效果。 本文采用的图像是香港理工大学掌纹图像数据库，该数据库为1 0 0 人每人6 幅共6 0 0 幅图像。定位结果如表2 - 1 所示，对于不能正确定位 的图像一般是掌纹图像中存在与我们需要的角点相似的点，或被阈值蜀 限制而检测不到，如图2 1 0 所示图像，其中作标记的两点不满足本文 所设的角点响应函数，得不到关键点k 2 。 图2 1 0 不能正确定位的掌纹 表2 1定位结果 i 掌纹总数 i 正确定位的掌纹l 错误定位的掌纹l 定位的准确率i l6 0 0i 4 9 2 j 1 0 8 i8 2 l 2 4 本章小结 本章首先明确了对掌纹预处理的必要性，指出基于最大内切圆的掌 纹分割方法处理香港理工大学掌纹数据的不足，确定了提取矩形区域的 掌纹分割方案。然后简要介绍了s u s a n 算法，并将其应用于掌纹的角点 检测，同时和h a r r i s 角点检测算法作了比较，说明了本文提出的改进 的s u s a n 角点检测算法的有效性。由检测到的角点建立直角坐标系，完 成了对掌纹的定位，同时分割出了1 2 8 1 2 8 的掌纹子图像。最后根据本 1 6 文提出的定位方法给出了实验结果，其定位准确率达到了8 2 5 。 1 7 第三章掌纹图像的线特征提取 3 1 问题的提出 掌纹中所包含的信息量是非常丰富的，利用掌纹的线特征、点特征、 纹理特征、几何特征完全可以确定一个人的身份，其中线特征不仅具有 稳定性和唯一性，还可以在较低空间分辨率图像中获取。掌纹图像的采 集方法简单，采样设备的成本较低，而且它还可以克服乳突纹由于年龄、 劳动等因素的影响。另外，线特征表示方法简单，特征空间小，可实现 快速检索与匹配，因此，从理论上讲掌纹识别技术应更可靠、更先进。 但实际上，由于在线掌纹图像的对比度低，掌纹中的细小皱纹会形成一 定的噪声，掌纹中的线特征模式复杂，因此，使得从在线掌纹中提取线 特征非常困难。因此研究如何在较低空间分辨率的图像中提取出掌纹的 主线特征，是一个值得深入讨论的问题。 对比度低和强噪声是在线掌纹分析中无法调和的一对矛盾。为去除 图像中的噪声，就需要对图像进行平滑滤波，由于图像对比度本来就低， 采用滤波方法又会使线特征更加模糊，反过来，如果采用增强方法提高 图像的对比度，必然又会使图像中的噪声更加突出。因此如何在有效抑 制噪声干扰的同时，提取出掌纹中的线特征是在线掌纹分析急需解决的 问题。根据后续算法的要求，我们只需要检测出掌纹中最主要的三条主 线，而不考虑皱褶线，所以我们要在提取线特征的同时要消除皱褶线。 而线检测算子是用加权矩阵对图像进行滤波，它检测纵线或横线较好， 如果用这种方法处理掌纹图像，得到的处理图像会有很多噪声点，而且 还会出现线条的断续。基于以上各种原因的考虑，本文提出了基于灰度 特性与数学形态学相结合的办法来提取掌纹的线特征。 3 2 数学形态学基础 3 2 1 数学形态学概述 数学形态学( m o r p h o l o g y ) 一般指生物学中研究动物和植物结构的 一个分支m 。数学形态学因子要素( m o r p h o l o g yf a c t o r s ) 指不包含单 位的数或特性。它们一般是物体不同几何因子问的比例。近年人们采用 数学形态学表示以形态为基础对图像进行分析的数学工具。它的基本思 想是用具有一定形态的结构元素，去度量和提取图像中的对应形状，以 达到对图像进行分析和识别的目的。数学形态学是以集合论为基础的新 兴学科，是一种非线性图像处理与分析理论，它的应用可以简化图像数 据，保持它的基本形状特性，并出去不相干的结构。数学形态学的算法 具有天然的并行结构。可以用来解决抑制噪声、特征提取、边缘检测、 l 虱象分割、形状识别、纹理分析、图象恢复与重建、图象压缩等图象处 理问题。 数学形态学首先处理二值图象。数学形态学将二值图象看成是集 合，并用结构元素来探察。结构元素是一个可以在图像上平移、且尺寸 比图像小的集合。基本的数学形态学运算是将结构元素在图像范围内平 移，同时施加交、并等基本的集合运算。 灰度数学形态学是二值数学形态学对灰度图像的自然扩展，其中， 二值化形态学中所用到的交、并运算分别用最大、最小极值运算代替。 数学形态学是由一组形态学的代数运算子组成的，它的基本运算有 以下几种：膨胀( d i l a t i o n ) 、腐蚀( e r o s i o n ) 、开启( o p e n ) 、闭合( c l o s e ) 、 细化、粗化等。 3 2 2 二值形态学基础 数学形态学中二值图像的形态变换是一种针对集合的处理过程嘶 ”。其形态算子的实质是表达物体或形状的集合与结构元素间的相互作 用，结构元素的形状就决定了这种运算所提取的信号的形状信息。基本 的形态运算是腐蚀和膨胀。在形态学中，结构元素是最重要最基本的概 念。结构元素在形态变换中的作用相当于信号处理中的“滤波窗口”。 结构元素对形态运算的结果有决定性作用要结合实际应用背景和期望 合理选大小和形状择结构元素的。 一般设彳为图像集合，口为结构元素，数学形态学是用曰对4 进行 操作。结构元素本身也是一个图像集合，对每个结构元素先要制定一个 原点，它是结构元素参与形态学运算的参考点。 数学形态学定义了两种基本的运算，膨胀( d i l a t i o n ) 与腐蚀 ( e r o s i o n ) ，以及由此形成的开启和闭合运算。以下简单介绍这四种运算： 膨胀：膨胀的算符为o ，爿用口来膨胀写做a o b ，其定义为： 4 。b = x l ( 雪l n a a c s - ， 上式表明用b 膨胀a 的过程是先对b 做关于原点的映射，在将其映 像平移x ，这里a 与曰映像的交集不为空集。换句话说用b 来膨胀爿得 1 9 到的集合雪的位移与中至少有一个非零元素相交时b 的原点位置的 集合。 腐蚀：腐蚀的算符为e ，彳用丑来腐蚀写做彳e 曰，其定义为： a o - - 1 x i ( b ) ，4 ( 3 2 ) 上式表明a 用口来腐蚀的结果是所有x 的集合，其中b 平移x 后仍 在彳中。换句话说，用口来腐蚀4 得到的集合口完全包括在彳中时b 的 原点位置的集合。 腐蚀和膨胀并不是互逆运算，所以它们可以级联使用，先对图像进 行腐蚀然后膨胀其结果称为开启，先对图像进行膨胀再腐蚀其结果称为 闭合。 开启：开启运算算符为o ，口对彳进行开运算写作ao b ，其定义为： a o b = ( a e b ) o b( 3 3 ) 闭合：闭合运算算符为，b 对4 进行闭运算写作a o b ，其定义为： a b = ( 彳。曰) e b( 3 4 ) 数学形态学里的击中击不中变换是形状检测的一种基本工具，关 于击中击不中变换的原理见文献侧。由此定义了数学形态学的组合运 算：细化和粗化。式( 3 5 ) 和( 3 6 ) 中爿f b 是指击中击不中变换。 细化：细化运算算符为o ，丑对4 进行细化记作a o b ，其定义为： a o b = a f 4 f l b l = a n ( a 介曰丫 ( 3 5 ) 粗化：粗化运算算符为o ，口对a 进行粗化记作4 0 曰，其定义为： 爿e b = a u i a l 曰l ( 3 6 ) 总之，腐蚀是一种收缩变换，表示对图像内部做滤波处理；膨胀是 一种扩张变换，表示对图像外部做滤波处理。开运算能使图像的轮廓变 得光滑，断开狭窄的间断和消除细的突出物；闭合运算同样是轮廓线更 为光滑，但与开启运算相反的是它通常消弥狭窄的间断和长细的鸿沟， 消除小的孔洞，并填补轮廓线中的断裂；细化是求图像骨架的过程，保 证其宽度为一个像素。 2 0 3 3 掌纹线特征提取 掌纹的线特征可以看作是掌纹三大主线和褶线及乳突纹的组合，该 特征明显且稳定，三条主线的长短、宽窄、分布和走向构成了重要的掌 纹特征，从掌纹中提取线特征是一个复杂背景下的线状目标的分割问 题。其提取方法有很多种，具体在1 2 4 节作了论述。由于掌纹中的 线特征是任意形状的，且预先不知道其确切的形状。因此h o u g h 变换不 适合在线掌纹线特征的提取；而采用边缘提取方法所提取到的结果一般 都是双边缘边缘定位结果有时会发生偏移且对噪声也比较敏感，因此 也不适合掌纹图像线特征的提取。我们提出了基于灰度特性的掌纹主线 特征提取方法。 3 3 1 基于灰度特性的掌纹主线特征提取 一幅图像包括目标、背景还有噪声，那么怎样从数字图像中提取出 目标，最简单的方法是设定某一域值r ，用r 将图像的数据分成两大部 分：大于r 的像素群和小于丁的像素群。这实际上是灰度变换最特殊的 方法，通常称为图像的二值化。可见二值化处理就是把图像，( f ，) 分成 目标和背景两个区域，它也是数字图像处理中一项最基本的变换方法。 而图像分割的好坏取决于域值的选取的合理性。在这里我们采用了迭代 的方法确定域值嗍。 具体算法是： ( 1 ) 选择掌纹子图像的平均灰度值来作为初始域值r ； m 2 , v 1 2 邝+ 鸭，+ 功 t = a v e r a g e = 竺型生丛生一，肘：1 7 = 1 7 ( 3 7 ) ( 2 ) 通过初始域值丁，把图像的灰度平均分成两组4 和4 ； ( 3 ) 计算两组的平均灰度值h 和鸬； ( 4 ) 重新选择域值r ，新的t 定义为：r = 丛专丝； ( 5 ) 循环做( 2 ) ( 3 ) ( 4 ) 直到两组的平均灰度值朋和6 不冉发 2 l 生改变，这样我们就获得了所需要的域值t ； ( 6 ) 根据计算出的域值，对掌纹子图像进行二值化处理。 设厂( f ，_ ，) 表示原掌纹灰度子图像，b ( f ，_ ，) 表示二值化后的图像，则 定义b ( i ，j ) 的表达式为： 啪) = 其f ( 它i , j 卜r ( 3 8 ) 由此可以得到如图3