基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法

摘要

本发明提供了一种基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法，分为注册和认证两个阶段。本发明使用基于圆形Gabor滤波器的掌纹ROI图像预处理方法；在预处理后的掌纹ROI图像上提取SIFT特征并进行匹配，得到匹配SIFT特征点；使用迭代随机抽样一致性算法去除错误匹配的SIFT特征点；使用局部掌纹描述符进一步去除错误匹配的SIFT特征点；将最终剩余的SIFT特征点的数目作为匹配度，进行决策。本发明提高了非接触式掌纹识别的精度。

说明书

技术领域

本发明涉及一种非接触掌纹认证方法，具体涉及一种基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法。 

背景技术

掌纹识别是近年来新兴的一种生物特征识别技术。它具有用户接受程度较好，识别精度较高的优点。 

现有的掌纹特征提取和匹配方法通常需要待匹配的两幅掌纹图像较好的对齐，否则其识别精度将大受影响。目前解决掌纹图像对齐的最常用方法是设计一种专用掌纹图像采集设备，在采集图像时，用户将手掌置于设备之上，使用辅助定位装置限制手指和手掌的活动，以保证每次采集的掌纹图像能够较好的对齐。而这种方式的最大缺陷是大大降低了掌纹识别的用户接受程度。 

解决这一问题的有效手段是使用非接触方式采集掌纹图像。但在非接触采集方式中，由于缺少了辅助定位装置，采集到的掌纹图像往往存在较明显的旋转、尺度、平移等线性变换以及其它非线性变换。这些变换即使经过感兴趣区域(ROI)提取也很难消除，进而影响非接触式掌纹识别的精度。 

发明内容

为了提高非接触式掌纹识别的精度，本发明提供了一种基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法。 

本发明的目的是通过以下技术方案实现的： 

一种基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法，分为注册和认证两个阶段，其具体步骤如下： 

一、注册阶段： 

(1)将用户提供的掌纹ROI图像进行预处理； 

(2)在预处理后的掌纹ROI图像上提取SIFT特征； 

(3)将提取到的SIFT特征连同用户标识保存于特征数据库； 

二、认证阶段： 

(1)将掌纹ROI图像进行预处理； 

(2)在预处理后的掌纹ROI图像上提取SIFT特征并进行匹配，得到匹配SIFT特征点； 

(3)对得到的匹配SIFT特征点使用迭代随机抽样一致性算法去除外点，并得到每个模型的变换矩阵； 

(4)对于每一个模型，在两幅掌纹ROI图像上分别提取局部掌纹描述符； 

(5)对于每一个模型，将两幅掌纹ROI图像上对应位置的局部掌纹描述符进行匹配，删除掉匹配度大于给定阈值的局部掌纹描述符所对应的SIFT特征点； 

(6)将最终剩余的SIFT特征点的数目作为匹配度，进行决策。 

本发明具有以下特点： 

1、使用基于圆形Gabor滤波器的掌纹ROI图像预处理方法，提高了匹配SIFT特征点的数量和稳定性。 

2、使用迭代随机抽样一致性算法去除错误匹配的SIFT特征点。 

3、使用局部掌纹描述符进一步去除错误匹配的SIFT特征点。 

附图说明

图1为圆形Gabor滤波器； 

图2为掌纹ROI图像； 

图3为预处理后的掌纹ROI图像； 

图4为原始掌纹ROI图像检测到的SIFT点； 

图5为经过预处理的掌纹ROI图像检测到的SIFT点； 

图6为匹配的SIFT点； 

图7为掌纹区域； 

图8为使用迭代随机抽样一致性算法进行外点排除的结果(原始 匹配的SIFT特征点对)； 

图9为使用迭代随机抽样一致性算法进行外点排除的结果(模型1得到的内点对)； 

图10为使用迭代随机抽样一致性算法进行外点排除的结果(模型2得到的内点对)； 

图11为使用迭代随机抽样一致性算法进行外点排除的结果(最终得到的内点对)； 

图12为局部掌纹描述符中正方形邻域的定义(匹配的SIFT点)； 

图13为局部掌纹描述符中正方形邻域的定义(对齐后的掌纹ROI图像)； 

图14为局部掌纹描述符中正方形邻域的定义(正方形邻域的定义)。 

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。 

一种基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法，分为注册和认证两个阶段： 

一、注册阶段： 

(1)将用户提供的掌纹ROI图像进行预处理； 

(2)在预处理后的掌纹ROI图像上提取SIFT特征； 

(3)将提取到的SIFT特征连同用户标识保存于特征数据库； 

二、认证阶段： 

(1)将掌纹ROI图像进行预处理； 

(2)在预处理后的掌纹ROI图像上提取SIFT特征并进行匹配，得到匹配SIFT特征点； 

(3)对得到的匹配SIFT特征点使用迭代随机抽样一致性算法去除外点，并得到每个模型的变换矩阵； 

(4)对于每一个模型，在两幅掌纹ROI图像上分别提取局部掌纹描述符； 

(5)对于每一个模型，将两幅掌纹ROI图像上对应位置的局部掌纹描述符进行匹配，删除掉匹配度大于给定阈值的局部掌纹描述符所对应的SIFT特征点； 

(6)将最终剩余的SIFT特征点的数目作为匹配度，进行决策。其具体步骤如下： 

上述方法中，各步骤的具体要求如下： 

1、掌纹ROI图像预处理 

掌纹图像预处理的目的是增加检测到的SIFT特征点数量，以便可以利用更多的信息。本发明中使用圆形Gabor滤波器对掌纹图像进行预处理。圆形Gabor滤波器表示为： 

$G(x,y)=\exp (-\frac{x^2+y^2}{2{\sigma }^2})·\exp \left(2\mathrm{\pi iF}\sqrt{x^2+y^2}\right),$

其中，F是滤波器的中心频率，σ是高斯函数的标准差，i代表虚数单位，即本发明中所使用的圆形Gabor滤波器如图1所示。 

待预处理的掌纹ROI图像为I，增强过程通过I与圆形Gabor滤波器进行卷积操作实现，如下式所示： 

R=I*G 

其中，G为圆形Gabor滤波器，*代表卷积操作，R为得到的预处理后的掌纹ROI图像。 

圆形Gabor滤波器可以增强掌纹纹理，且由于圆形Gabor滤波器是各向同性的，因此不受掌纹纹理的方向影响。图2和3所示为原始掌纹ROI图像和经过预处理的掌纹ROI图像。 

2、SIFT特征提取与匹配 

SIFT特征提取分为四个步骤： 

(1)通过使用不同尺度的高斯滤波器与预处理后的掌纹ROI图像进行卷积运算构造Gaussian尺度空间； 

(2)通过对Gaussian尺度空间中相邻尺度的图像进行相减运 算，形成Gaussian差分(DoG)空间，特征点通过检测DoG空间的局部极值点来确定； 

(3)在特征点周围选定一个图像块，并计算这一图像块的梯度方向直方图(HOG)，将HOG的最大值所对应的方向作为该特征点的主方向； 

(4)计算特征点的描述子，首先计算特征点周围图像块的HOG，然后利用该点的主方向将HOG进行方向归一化，就得到了该点的描述子。 

由图4和5可以看出，通过预处理，可以大大增加检测到的SIFT点的数量。 

当两个SIFT特征点i，j的描述子如果满足如下条件，则认为这两个SIFT特征点是匹配的： 

d_ij<t·min(d_ik)，k=1，2，…，N.k≠j 

其中d_ij=||p_i-q_j||²为两个特征点p_i和q_j的描述子之间的欧式距离，N为特征点的数目，t为给定的阈值。图6所示的为匹配的SIFT特征点。 

3、基于迭代随机抽样一致算法的外点排除 

在SIFT点匹配的结果中，不可避免地存在一些误匹配点，如图6所示。由于最终要以匹配上的SIFT点的数量作为匹配分数用于决策，因此需要删除匹配错误的点。 

随机抽样一致(RANSAC)算法是在SIFT匹配后常用的一种排除外点方法。在RANSAC算法中，需要预先指定一个变换模型，当匹配的SIFT点对符合这个变换模型时，则认为这对SIFT点是正确匹配的(称为内点)，否则认为是匹配错误的(称为外点)。通过这种方式，RANSAC算法可以将内点和外点区分开，达到排除外点的目的。 

在大多数情况下，由于非线性变换难以建立模型，因此RANSAC算法中指定的变化模型都是线性变换(如单应)。在非接触式掌纹图像中通常会存在非线性变换，因此使用RANSAC算法进行外点排除时，只有符合RANSAC算法中指定的变换模型的SIFT点才可以保留下来， 而其它点则被认为是外点被排除掉。而这些点很可能是正确匹配的，这样就损失了大量的信息，导致识别的精度受到影响。 

通过观察发生形变的掌纹ROI图像，可以发现非线性形变通常是由于手掌的弯曲所致，整个手掌被掌纹线划分为若干个区域，而每个区域可以近似为一个平面，即每个区域只存在线性形变，如图7所示。这样，掌纹的非线性形变可以近似为分段线性形变。 

在理想情况下，应对掌纹ROI图像按照导致形变的掌纹线进行分割，在每一个分割区域上分别应用RANSAC算法，以保留所有正确匹配的SIFT点。由于图像分割是一种复杂的图像处理技术，很难找到一种标准将掌纹ROI图像准确地分割开。为解决这一问题，本发明不对掌纹ROI图像进行精确的分割，而是在应用RANSAC算法得到内点后，直接对外点再一次应用RANSAC算法，得到符合另一变换模型的内点，以此类推，直到剩余的外点无法满足任何变换模型。上述过程是迭代过程，因此这一算法称为迭代随机抽样一致性(I-RANSAC)算法。使用迭代随机抽样一致性算法去除外点的过程如下： 

(1)设定一个允许的最大模型数目； 

(2)对原始的匹配SIFT特征点应用RANSAC算法，得到内点集合和外点集合； 

(3)对步骤(2)中得到的外点集合再次应用RANSAC算法，得到新的内点集合和外点集合； 

(4)重复步骤(3)和步骤(4)，直到达到步骤(1)中设定的允许的最大模型数目，或RANSAC算法无法得到内点； 

(5)将每一步得到的内点集合的并集作为最终得到的内点。 

完整的使用迭代随机抽样一致性算法去除外点的算法如算法1所示。 

在算法1中，M_max控制最大允许的模型数目，即线性变换的数目。如果M_max的值取1，迭代随机抽样一致性算法将得到与RANSAC算法相同的结果。图8-11显示了一组应用迭代随机抽样一致性算法进行外点排除的结果(2个模型)。其中，图8为原始匹配的SIFT特征点对；图9为模型1得到的内点对；图10为模型2得到的内点对；图 11为最终得到的内点对。 

4、局部掌纹描述符提取 

使用迭代随机采样一致性算法后，大部分外点(错误匹配的SIFT特征点)已经被去除，但还会留下一些外点。这些外点会影响最终识别精度。本发明在迭代随机采样一致性算法的基础上，利用局部掌纹描述符进一步去除外点。 

若p(x，y)表示位置在(x，y)处的匹配SIFT特征点，p(x，y)的局部掌纹描述符定义为以点(x，y)为中心的正方形邻域内的掌纹特征，即： 

$\mathrm{LPD}(x,y)=\mathrm{Fea}(i,j),i,j\in D_{(x,y)}^d,$

其中，Fea(·)是掌纹特征提取算子，是大小为d×d，中心在(x，y)的正方形邻域，LPD(x,y)即为点p(x，y)所对应的局部掌纹描述符。局部掌纹描述符的匹配使用适合于掌纹特征提取算子Fea(·)的距离度量。当两个匹配SIFT点的局部掌纹描述符的距离大于一定阈值时，则认为这一对匹配点属于外点。 

局部掌纹描述符的提取是在每一个迭代随机抽样一致算法得到的模型上单独进行的，在提取局部掌纹描述符之前，将两幅掌纹ROI图像根据匹配SIFT点进行对齐。图12-14所示为局部掌纹描述符提取过程中正方形邻域的定义过程。其中，图12为匹配的SIFT点(经迭代随机抽样一致性算法去除外点后)，图13为对齐后的掌纹ROI图像，图14为正方形邻域的定义。 

利用局部掌纹描述符去除外点的过程如下： 

(1)利用算法1中得到的变换矩阵将两幅掌纹ROI图像对齐； 

(2)对于对齐后的每一对匹配SIFT特征点，在两幅掌纹ROI图像上获取以其为中心的正方形邻域，并分别提取掌纹特征作为局部掌纹描述符； 

(3)对得到的对应位置的局部掌纹描述符进行匹配，将匹配距离大于某给定阈值的点删除； 

(4)重复步骤(1)至步骤(3)，直到所有模型均处理完毕。 

利用局部掌纹描述符去除外点的详细过程可以用算法2描述。 

本发明中，提取局部掌纹描述符时使用如下三种掌纹特征： 

1、竞争码。竞争码算法首先使用一组Gabor滤波器对掌纹ROI图像进行滤波，所使用的滤波器为： 

$\psi (x,y,\omega ,\theta )=\frac{\omega }{\sqrt{2\pi }\kappa }\exp (-\frac{{\omega }^2}{8{\kappa }^2}(4x^{\text{'}2}+y^{\text{'}2}))(\exp \left({\mathrm{i\omega x}}^{\text{'}}\right)-\exp (-\frac{{\kappa }^2}{2})),$

其中x′=(x-x₀)cosθ+(y-y₀)sinθ，y′=-(x-x₀)sinθ+(y-y₀)cosθ，(x₀，y₀)为滤波器的中心；ω和θ确定了滤波器的频率和方向，且 ω=κ／σ。图像中像素(x，y)的特征表示为： 

$W(x,y)=\underset{j}{\arg }\min (I(x,y)*{\psi }_R(x,y,\omega ,{\theta }_j)),$

其中，ψ_R为滤波器ψ的实部，*为卷积运算；θ_j=j·π／6,j=0，1，…，5， 

在竞争码特征中，每个像素的特征为响应最强的滤波器方向的索引值，为加快特征匹配的速度，将这些索引值进行编码，竞争码的匹配规则表示为： 

$D(P,Q)=1-\frac{1}{2\mathrm{MN}}\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\underset{i=1}{\overset{3}{\Sigma }}{P}_b^i(x,y)\otimes Q_b^i(x,y),$

其中为逻辑异或运算，M，N为图像的尺寸。 

2、正交线定序特征。正交线定序特征首先使用如下滤波器对掌纹ROI图像进行滤波： 

$F\left(\theta \right)=g(x,y,\theta )-g(x,y,\theta +\frac{\pi }{2})$

其中，g(x，y，θ)是二维Gaussian函数。图像像素(x，y)的滤波响应值使用如下规则进行编码： 

$F(x,y,\theta )=\frac{1+\mathrm{sgn}\left(R_{\theta }(x,y)\right)}{2},$

其中，R_θ(x，y)是像素(x，y)的响应值，sgn(·)函数用于得到响应值的符号。使用时，θ取0，π／6，π／3。 

3、多尺度竞争码。多尺度竞争码使用18个Gaussian二阶导数滤波器(3个尺度、6个方向)对掌纹ROI图像进行滤波，滤波器表 示为： 

$F(x,y,{\sigma }_1,{\sigma }_2,\theta )=(x^{\text{'}2}-{\sigma }_1^2)\frac{1}{{\sigma }_1^4}\exp (-\frac{x^{\text{'}2}}{2{\sigma }_1^2}-\frac{y^{\text{'}2}}{2{\sigma }_2^2}),$

其中，x′=(x-x₀)cosθ+(y-y₀)sinθ，y′=-(x-x₀)sinθ+(y-y₀)cosθ，(x₀，y₀)是滤波器的中心，σ₁和σ₂表示滤波器在x′和y′方向上的尺度。多尺度竞争码将这18个滤波器作为字典，在这个字典上使用稀疏表示技术计算其表示系数。图像上点(x，y)的特征按下式计算： 

$W(x,y)=\underset{\theta }{\arg }\min \left({\omega }_{\mathrm{xy}}\left(\theta \right)\right),$

其中ω_xy(θ)是方向为θ的滤波器所对应的表示系数，W(x，y)使用3位二进制数编码后形成最终特征。 

以上三种掌纹特征均为编码特征，因此局部掌纹描述符的匹配可以统一采用如下的海明距离： 

$D(P,Q)=\frac{1}{\mathrm{kMN}}\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\underset{i=1}{\overset{k}{\Sigma }}{P}_b^i(x,y)\otimes Q_b^i(x,y),$

其中，和和是两幅图像特征P和Q的第i个位平面，是逻辑异或运算，k是二进制编码的长度，M和N是图像的长和宽。