一种基于轮廓与边缘纹理特征融合的掌纹识别方法

摘要

本发明属于掌纹识别技术领域，涉及一种基于轮廓与边缘纹理特征融合的掌纹识别方法，先对图像进行预处理，运用均值滤波将掌纹图像分解为图像轮廓和图像边缘纹理，分别采用灰度直方图和差分盒子维进行特性提取，最后使用通用的卡方距离进行匹配，其方法简单，原理科学，识别时间短，识别精度高，能实时识别掌纹，为身份识别提供了一种快速有效的识别方法。

说明书

技术领域：

本发明属于掌纹识别技术领域，涉及一种基于轮廓与边缘纹理特征融合的掌纹识别方法。

背景技术：

目前，基于生物特征识别的身份鉴别技术是一种高可靠性、高稳定性的有效身份鉴别方式。掌纹识别作为一种重要的生物特征，由于其成本低、友好性强、识别精度高等优点得到了研究人员的广泛关注，掌纹特征识别技术作为生物特征识别领域一种新兴的技术，在近十几年中已经取得了大量的科研成果,其发展非常迅速。

掌纹含有丰富的纹理信息，包括主线、折皱、乳突纹等粗细不同的纹理特征,这些特征具有稳定性和唯一性,利用这些特征可以确定一个人的身份，主线和褶皱相对来讲，纹理较大，可以在低频成分中提取；而乳突纹等细小纹理信息可以在高频成分中提取。由于不同人的主线和褶皱有很大的区别，苑玮琦等(苑玮琦,范永刚,柯丽.基于灰度曲面匹配的掌纹识别方法[J].光电子·激光,2009,20(6):807-811)将掌纹灰度图像看作是三维空间下的灰度曲面,并将该曲面作为特征进行匹配,通过较大纹理存在的差异来计算方差，进而通过灰度曲面的凹凸程度来识别，该算法利用整幅图像进行匹配，丢失了部分掌纹信息，在数据逐渐加大的情况下，识别率会降低；陈梓毅等(陈梓毅,康文雄,邓飞其.基于灰度差统计分析的掌纹线提取[J].计算机工程与设计,2011,32(2):653-670)利用灰度差统计，通过判断对象点的灰度值和连续掌纹线点集的点数，提取出掌纹线的二值图像，最后通过隶属度评价掌纹线的提取效果，该算法复杂度高，而且识别率低，不满足实时性要求。主线和褶皱并不是图像的全部信息，乳突纹波动较大的细小纹理同样是区分掌纹的重要信息，利用分形对波动较大图像处理的优势，洪丹枫等(D.Hong,Z.Pan,X.Wu.Improved Differential Box Counting with Muti-scale and Multi-direction:A new palmprint recognition method.Optik-International Journal of Light Electron Optics,2014,125(15):4154-4160)使用分形维数作为特征向量提取图像的纹理特征，同时对比局部分形和全局分形算法，证明局部分形算法可以方 便地找出图片的变换复杂区域，但局部分形维数算法复杂度高，不利于进行中大型数据应用；赵志刚等(赵志刚，吴鑫，洪丹枫，潘振宽.基于信息熵的GLBP掌纹识别算法[J].计算机科学,2013,41(8):293-296)实现了一种利用信息熵进行多层次描述的掌纹识别方法，加入了尺度方向信息，弥补了单一特征描述不准确的缺陷；潘新等(Pan X,Ruan Q,Wang Y.Palmprint Recognition Using Contourlets-based Local Fractal Dimensions.ICSP2008Proceedings,pp.2108-2111)提出了一种基于Contourlet和局部分形结合的掌纹识别方法，该方法虽然有较高的识别率，初步解决了尺度方向的问题，而且结合分形维数有效描述图像纹理粗糙程度，为掌纹识别算法提供了新的思路，但算法复杂度高，不能满足实时性要求。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计提供一种基于轮廓与边缘纹理特征融合的掌纹识别方法，通过均值滤波器将掌纹图像分为低频和高频两部分，并采用分块思想对获得图像进行处理，分别采用灰度直方图处理掌纹低频特征，差分盒子维处理掌纹高频特征，降低复杂度，提高识别时间和识别精度，能够实时识别掌纹。

为了实现上述目的，本发明首先对图像进行预处理，运用均值滤波将掌纹图像分解为图像轮廓(低频成分)和图像边缘纹理(高频成分)，分别采用灰度直方图和差分盒子维进行特性提取，最后使用通用的卡方距离进行匹配，具体步骤如下：

(1)、选取掌纹图像：从掌纹数据库中选取200个人的掌纹图像作为样本，并对每个人的掌纹图像进行编号，其中每个人10幅图像，共2000张掌纹图像，随机选取每个人的一张图像作为训练图像，剩余9张作为测试图像；

(2)、均值滤波分解掌纹图像：采用均值替代掌纹图像中的各个像素值,对掌纹图像中的像素点(x,y)，选择由其邻近的像素组成的模板，计算得到模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，然后对掌纹图像进行均值滤波，得到图像轮廓(低频层)和图像边缘纹理(高频层)；

(3)、灰度直方图提取图像轮廓特征：将步骤(1)得到的掌纹图像进行分块，每块区域为16×16像素，然后使用现有技术中的灰度直方图对每块区域进行 灰度统计，作为该区域的特征向量，并联融合每个区域特征向量，得到图像轮廓特征；

(4)、差分盒子维提取图像边缘纹理特征：将步骤(1)得到的掌纹图像进行分块，每块区域为4×4或8×8像素，采用现有技术中的差分盒子维方法得到掌纹图像的盒子数，即为图像边缘纹理特征；

(5)特征融合：将图像轮廓特征与图像边缘纹理特征并行融合，即向量串联，得到能够代表掌纹图像特征数据的最终特征向量；

(6)：卡方距离匹配：先采用通用的卡方距离来度量，特征空间的样本卡方距离为：

${\chi }^2(S,M)=\underset{i}{\Sigma }\frac{{(S_i-M_i)}^2}{S_i+M_i}$

其中，S为测试图像的最终特征向量，M为训练图像的最终特征向量，i为图像编号，i取值为1-200的整数；再根据最小的χ²值为匹配的掌纹图像，对比编号是否符合同一个人，即可以判断识别的正确与否。

本发明与现有技术相比，其方法简单，原理科学，识别时间短，识别精度高，能实时识别掌纹，为身份识别提供了一种快速有效的识别方法。

附图说明：

图1为本发明涉及的PolyU数据库中两个人的掌纹图像，其中图(a)～(d)表示人A的四幅掌纹图像，图(e)～(h)表示人B的四幅掌纹图像。

图2为本发明涉及的掌纹原图像、轮廓图像和边缘纹理图像。

图3为本发明实施例涉及的七种不同算法掌纹识别率比较图。

具体实施方式：

下面通过实施例并结合附图对本发明做进一步说明。

实施例：

本实施例从PolyU掌纹数据库中选取200个人的掌纹图像作为样本，每个人10幅图像，共2000张掌纹图像，其中随机选取每个人的一张图像作为训练集，剩余9张作为测试集合。图1给出了2个人不同掌纹图像的ROI，其中图(a)～(d)表示人A的四幅掌纹图像，图(e)～(h)表示人B的四幅掌纹图像，在CPU 2.90GHZ，内存4GB笔记本，MATLAB2010a的实验平台上进行掌纹识别。

本实施例先对掌纹图像进行均值滤波(MeanFilter,MF)处理，得到掌纹图像 的低频层(图像轮廓层a1)和高频层(图像边缘纹理层a3)，图2(b1)是图像轮廓层三维图，由图中能够清楚地看到，掌纹图像表面均匀且光滑，灰度均匀变化，对图像轮廓层进行灰度直方图特征提取能够得到较为准确的结果，通过图2(c1)特征向量显示出，消除了表面边缘纹理的影响后，灰度统计量都集中在局部的某几个值附近，有明显的灰度差，区域与区域之间的特征存在明显差异，能够正确的反映出掌纹局部信息特征，有利于灰度直方图的统计，而图2(b3)是边缘纹理层三维图，图像表面高低起伏不平，波动剧烈，图2(c3)特征向量直方图显示出，由于该层所含信息量较少，且都为图像表面纹理及边缘信息，不利用灰度直方图统计进行特征提取，因此仅对图像轮廓层采用灰度直方图，通过对PolyU数据库的测试，得到较高的识别率，如表1所示；

表1：GH算法与MFGH识别方法识别率比较

再对图像边缘纹理层使用均值滤波差分盒子维(MFDBC)处理掌纹图像，得到边缘纹理特征，直接采用覆盖图像的盒子数N_r作为特征量，为描述掌纹局部纹理信息，对掌纹图像进行区域划分4*4与8*8块，对不同区域分块的掌纹识别结果如表2所示：

表2：不同区域分块的MFDBC识别方法的识别率

区域分块 识别率 4*4 91.61％ 8*8 92.50％

然后将图像轮廓特征与图像边缘纹理特征进行并行融合后采用通用的卡方距离来度量，特征空间的样本卡方距离为：

${\chi }^2(S.M)=\underset{i}{\Sigma }\frac{{(S_i-M_i)}^2}{S_i+M_i}$

其中，S为测试图像的最终特征向量，M为训练图像的最终特征向量，i为图像编号；再根据最小的χ²值为匹配的掌纹图像，对比标号是否符合同一个人，即可以判断识别的正确与否，三种识别方法的识别结果如表3所示：

表3:MFGH、MFDBC、GHDBC三种识别方法的识别率比较

本实施例使用的差分盒子维数法(Differential Box Counting,DBC)，是计算分形的有效方法之一，对该方法作如下描述，将一幅大小为M×M的图像划分为s×s的不重叠子块，s是当前度量图像所使用的尺度。引入三维空间(x,y,z),(x,y)为图像的平面坐标，z为图像在(x,y)处的灰度值。假设在每一个网格上放置一列大小为s×s×s的盒子。如果第(i,j)网格中图像像素的最小和最大灰度值所落入的第k个和第l个盒子。那么n_r为第(i,j)网格对应的图像灰度值所落入的盒子数目：

n_r(x)＝l-k+1

其中r＝M/s，整幅图像I中的盒子数为：

$N_r=\underset{x=1}{\overset{X}{\Sigma }}{n}_r\left(x\right)$

其中X＝(M×M)/(s×s)表示网格的数量，最后分形维数D为：

D＝logN_r/log(r^-1)

本实施例通过MFGH算法提取的掌纹轮廓信息与MFDBC算法提取的掌纹边缘纹理信息相融合得到新的特征向量，比传统主成分特征提取(PCA)、二维Fisher线性判别(2DFLD)、Gabor、Contourlet与局部分形维数(CLFD)^]和单独使用MFGH或MFDBC的识别效果好，且识别率高，识别率如图3所示；这其中不同识别方法的特征提取时间和特征匹配时间如表4所示，由表4可以看出，本实施例提出的掌纹识别算法的特征提取时间与特征匹配时间之和为55.641ms，相比传统的掌纹提取算法中相对较快的PCA算法快一倍,而且，本方法在PolyU标准掌纹库上测试，得到了较好的识别率，同时也证明了本方法的有效性。

表4：七种不同识别方法特征提取时间、特征匹配时间

识别方法 特征提取时间(ms) 特征匹配时间(ms) PCA 90 24 2DFLD 17 60 Gabor 84 2.1 CLFD 25180 4.035 MFGH 14.35 0.694 MFDBC 35.13 0.360 GHDBC 54.67 0.971