一种基于局部和全局特征融合的掌纹识别方法

摘要

本发明公开了一种基于局部和全局特征融合的掌纹识别方法，包括以下步骤：1，二维Gabor相位编码、改进的有限Radon变换和双向主成分分析法分别提取纹理特征、主线特征、整体特征；2，纹理特征使用Hamming距离进行分类选取，得纹理选取特征；对主线特征使用点对区域的双向匹配进行分类选取，得主线选取特征；整体特征使用最小欧氏距离算法进行分类选取，得整体选取特征；3，纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法，得与待识别样本T的k个近邻分类结果，分类结果采取Borda投票策略决策融合规则进行信息融合，实现掌纹多特征的融合识别。具有识别准确，鲁棒性好的优点。

说明书

技术领域

本发明属于生物特征身份识别技术领域，具体涉及一种基于局部 和全局特征融合的掌纹识别方法。

背景技术

手是人与外界接触最频繁、最方便的部分，用手进行身份识别非 常方便，从非接触式摄像头采集的低分辨率图像就可以用于掌纹识 别。与其他的生物识别相比，掌纹具有很多独特的优势：相比于指纹， 掌纹拥有更大的面积以及更为丰富的纹理信息，一般的摄像头或者 扫描仪都可以采集到很清晰的图像，可以构建高性能的掌纹识别系 统；相比于人脸识别，掌纹识别能轻易地区分双胞胎以及整容人群； 相比于虹膜,掌纹采集设备的价格更为低廉，采集方式也更容易让用 户接受；相比于签名,掌纹更加稳定可靠。

掌纹特征提取及分类识别是掌纹识别的关键问题。一般来说，用 来描述掌纹的特征可分为两大类：局部特征和整体特征。局部特征主 要指掌纹中的点特征、线特征、纹理特征和几何特征等，这些方法在 一定程度上较好地分离出不同人掌纹之间的差异，但缺点是计算量 大，易受噪声攻击，识别速度较慢。基于整体特征的掌纹识别是将掌 纹图像看作为一个二维矩阵，利用像素之间的统计特性，从子空间的 角度进行特征描述与提取，该类方法虽然忽略了掌纹的纹理特征，但 提取了掌纹图像的绝大部分特征信息，且不易受噪声影响。针对上述 掌纹单一特征表征不充分，多特征难以融合，不能显现特征本质的分 辨特性，因此，提出基于局部和全局特征融合的掌纹识别方法，以便 克服单一特征对掌纹进行识别时存在识别率受限、鲁棒性差等缺点， 是急需解决的问题。

发明内容

本发明提供一种基于局部和全局特征融合的掌纹识别方法，解决 了单一特征对掌纹进行识别时存在识别率受限、鲁棒性差的问题。

本发明所采用的技术方案是：一种基于局部和全局特征融合的掌 纹识别方法，具体包括以下步骤：

步骤1：采用二维Gabor相位编码，提取掌纹的纹理特征，采 用改进的有限Radon变换，即MFRAT，提取掌纹的主线特征，采用 双向主成分分析法，即BDPAC，提取掌纹的整体特征；

步骤2：对提取掌纹的纹理特征使用Hamming距离进行分类选 取，得到纹理选取特征；对提取掌纹的主线特征使用点对区域的双向 匹配进行分类选取，得到主线选取特征；对提取掌纹的整体特征使用 最小欧氏距离算法进行分类选取，得到整体选取特征；

步骤3：对纹理选取特征、主线选取特征和整体选取特征使用K 近邻分类器方法，得到的与待识别样本T的k个近邻的分类结果，将 分类结果采取Borda投票策略决策融合规则进行信息融合，从而实现 掌纹多特征的融合识别。

本发明的特点还在于，

步骤1包括以下步骤：

步骤1.1：采用二维Gabor相位编码，提取掌纹的纹理特征的具 体方法为：

二维离散Gabor滤波器的原形为：

$G(x,y,\theta ,\mu ,\sigma )=\frac{1}{2{\mathrm{\pi \sigma }}^2}\exp \left\{-\frac{x^2+y^2}{2{\sigma }^2}\right\}\exp \left\{2\pi i\left(\mu xcos\theta +\mu ys\stackrel{·}{m}\theta \right)\right\}---\left(1\right)$

将Gabor核函数去掉直流分量，由此得到一个改进的Gabor函数：

$\tilde{G}\left[x,y,\theta ,\mu ,\sigma \right]=G\left[x,y,\theta ,\mu ,\sigma \right]-\frac{\underset{i=-n}{\overset{n}{\Sigma }}\underset{i-n}{\overset{n}{\Sigma }}\left[x,y,\theta ,\mu ,\sigma \right]}{{\left(2n+1\right)}^2}---\left(2\right)$

公式(1)、(2)中，(x,y)为给点位置的图像坐标值，i是虚数 符号，μ是正弦波的频率，θ用来控制函数的方向，σ是标准方差，2n+1 是滤波器的模板宽度；

对用公式(2)处理后的掌纹子图像I进行相位编码，形成两位 码字(b_r,b_i)，得到实部和虚部的二值图像，这样在掌纹的特征向量中仅 保存有相位信息，编码规则为：

步骤1.2：采用MFRAT提取掌纹的主线特征，具体方法为：

给定网格Z_p＝{0,1,...,p-1}，这里p为正整数，则MFRAT的实函数 f[i,j]在有限的网格上定义为：

$r\left[L_k\right]={\mathrm{MFRAT}}_f\left(k\right)=\frac{1}{C}\underset{\left(i,j\right)\in L_k}{\Sigma }f\left[i,j\right]---\left(5\right)$

公式(5)中，k＝1,2,...,N，N为方向个数，C为一个控制r[L_k]范围的常量， L_k表示在网格上组成直线的点，i,j为图像中某个点的像素坐标值， 公式为：

L_k＝{(i,j):j＝k(i-i₀)+j₀,i∈Z_p}(6)

公式(6)中，(i₀,j₀)是网格的中心点，k是直线L_k的斜率；

在MFRAT中，网格的中心点f(i₀,j₀)的方向θ_k和能量e的计算公 式如下：

${\theta }_{k\left(i_0,j_0\right)}=\arg \left({\min }_k\left(r\left[L_k\right]\right)\right),e_{\left(i_0,j_0\right)}=\left|{\min }_k\right(r\left[L_k\right]\left)\right|---\left(7\right)$

公式(7)中，arg是角度运算，θ_k为对应于斜率k的角度；

设大小为m×n的图像I，由公式(7)得到的一幅图像所有像素点 的方向图像Direction_image和能量图像Energy_image表示为：

由公式(8)确定阈值T；

阈值T的确定方法为：先将能量图像Energy_image从大到小排序，然 后取第M个能量值作为阈值T；

通过阈值T，将能量图像Energy_image转化为二值图像，叫做线图 像，记作Line_image，Line_image，Line_image，Line_image，通过公式(9) 选择获得：

Line_image＝0若Energy_image＜T(9)

Line_image＝1若Energy_image≥T

此时，线图像Line_image中已包含了主线，但同时也包含一些较 强的皱纹线，可以通过方向准则进一步去掉这些皱纹线；

最后，对掌纹主线图像进行贴标签处理，去除很短的直线，获得 只含有三大主线的图像；

步骤1.3：基于BDPAC提取掌纹的整体特征，具体方法为：

BDPCA是基于图像矩阵的主成分分析法，具体方法如下：

设掌纹感兴趣区域训练样本图像有M个m×n维的图像样本 I₁,I₂,…,I_M，第j个训练样本图像的图像样本矩阵I_j可以用n个m×1的 列向量来进行表示，组成训练样本集，可计算出去行相关性的列方向 上总的散度矩阵为：

$G_r=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}(I_j-\bar{I}){(I_j-\bar{I})}^T---\left(10\right)$

同样，可以将第j个训练样本图像的图像样本矩阵I_j用m个1×n的 行向量来进行表示，组成训练样本集，可计算出去列相关性的行方向 上总的散度矩阵为：

$G_c=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{(I_j-\bar{I})}^T(I_j-\bar{I})---\left(11\right)$

公式(10)、(11)中，为训练样本图像总体的均值矩阵，

由矩阵G_r的前d₁(d₁≤M)个最大特征值相对应的特征向量 u_i(i＝1,2,...d₁)组成m×d₁的矩阵，就是列映射矩阵U，其中u_i表示与G_r的 第i个最大特征值对应的特征向量，同样，选取G_c的前d₂(d₂≤M)个 最大特征值相对应的特征向量v_i(i＝1,2,...d₂)组成n×d₂的矩阵，就是行 映射矩阵V，因此，图像矩阵I的大小为d₁×d₂维特征矩阵F_j为：

F_j＝U^TIV。(12)

步骤2包括以下步骤：

步骤2.1：对提取掌纹的纹理特征使用Hamming距离进行分类 选取，具体方法为：

Hamming距离用来衡量两幅图像纹理特征的相似度，用于掌纹 纹理特征的分类，

设P和Q为两个纹理特征向量，归一化的Hamming距离为：

$D_0=\frac{{\Sigma }_{i=1}^n{\Sigma }_{j=1}^n\left(P_R\right(i,j)\otimes Q_R(i,j))+\left(P_I\right(i,j)\otimes Q_I(i,j))}{2N^2}---\left(13\right)$

公式(13)中，P_R(Q_R)和P_I(Q_I)为纹理特征P(Q)的实部和虚部，为布尔 运算符，N×N为纹理特征向量尺寸，i,j为图像中某个点的像素坐标值，

为了更好的匹配，在水平和垂直方向移动其中一个特征再次匹 配，移动像素范围为-2到2，然后找出最小的Hamming距离，作为P 和Q的相似度；

步骤2.2：对提取掌纹的主线特征使用点对区域的双向匹配进行 分类选取，算法原理如下：

对于掌纹主线特征，使用点对区域的双向匹配算法对其分类，算 法原理如下：

假定A是测试的主线特征图像，B是训练的主线特征图像，A、 B大小为m×n，并且A、B为二值图像，主线的像素值为1，则图像A 到图像B的匹配分数如下：

$s\left(A,B\right)=\left(\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}A\left(i,j\right)\cap \bar{B}\left(i,j\right)\right)/N_A---\left(14\right)$

公式(14)中，N_A为图像A中主线的像素个数，是B(i,j)的 3×3邻域，

同理，图像B到图像A的匹配分数为：

$s\left(B,A\right)=\left(\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}B\left(i,j\right)\cap \bar{A}\left(i,j\right)\right)/N_B---\left(15\right)$

最后，图像A与图像B的匹配分数满足：

S(A,B)＝S(B,A)＝MAX(s(A,B),s(B,A))(16)

公式(16)中，S(A,B)处于0和1之间，S(A,B)越大，图像A 与图像B越相似，将S(A,B)的范围放大-0.1到0.1，找出多个相似的 图像；

步骤2.3：对提取掌纹的整体特征使用最小欧氏距离算法进行分 类选取，具体方法为：

设特征向量Y₁＝{y₁,y₂,...,y_n}，Y₂＝{y′₁,y′₂,...,y′_n}(n为特征向量维数)， 则欧氏距离定义为：

$d(Y_1,Y_2)=\sqrt{\underset{i-1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2}---\left(17\right)$

公式(17)中，d(Y_1,,Y₂)距离越小，图像Y_1,与图像Y₂越相似， 将d(Y_1,,Y₂)的范围放大-0.1到0.1，找出多个相似的图像。

步骤3包括以下步骤：

K近邻分类器方法为，取待识别样本T的k个近邻，看这k个近邻 中多数属于哪一类，就把T归为哪一类；

即在掌纹训练库的N个样本中，设这N个样本中，找出待识别样 本T的来自Hamming距离ω₁分类的近邻样本有M₁个，找出待识别样 本T的来自点对区域的双向匹配ω₂分类的近邻样本有M₂个，找出待 识别样本T的来自点欧氏距离ω₃分类的近邻样本有M₃个；

Borda投票策略的基本思想是：每个投票者对不同的候选者采用 模式分类技术进行评价打分并排序，然后计算所有投票者的Borda数， 具有Borda数最大的候选者可以被认为在经过分类器评价后，在竞争 中是最优而获胜；

Borda投票策略具体为：

1)由于Hamming距离分类、点对区域的双向匹配分类和最小欧 氏距离算法分类这三种分类器匹配的属性各不相同，所以需要对各分 类器得到的距离进行归一化，具体如下：假设共有K个分类器，每个 分类器对应有M个图像，则第k分类器对M个图像评分的排序结果 C^k(f)为：

$C^k\left(f\right)=\frac{D_1^k}{D_{max}^k},...,\frac{D_m^k}{D_{max}^k},...,\frac{D_M^k}{D_{max}^k}---\left(18\right)$

公式(18)中：1≤m≤M.1≤k≤K，f是候选图像m的出现在多 个分类器中的频率，是第k分类器对候选图像m 评分，为k分类器中对所有候选图像的最大评分；

2)Borda投票策略没有考虑在实际分类器中之间性能的差别，采 用加权方式区分不同分类器的分类能力，则对图像m计算得到的 Borda数B_m为：

$B_m=f\times c+\underset{k=1}{\overset{K}{\Sigma }}(M-m)\times D_m^k---\left(19\right)$

公式(19)中，C为惩罚因子，如果候选图像m的Borda数B_m最 大，那么候选图像m可以被认为在经过K个分类器评价后，是最优而 被确认为识别结果。

本发明的有益效果是：本发明方法在获取掌纹感兴趣区域的前提 下，针对掌纹单一特征表征不充分，多特征难以融合，不能显现特征 本质的分辨特性，提出基于局部与全局特征融合的掌纹识别方法，这 种方法从不同角度的特征描述中提取了更近似的掌纹本质特征，克服 了单一特征对掌纹进行识别时存在识别率受限、鲁棒性差等缺点。其 融合理论方法的思想不局限于掌纹的特征融合，对于各种特征融合普 遍适用。

附图说明

图1是本发明一种基于局部和全局特征融合的掌纹识别方法的 掌纹识别流程图。

具体实施方式：

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供了一种基于局部和全局特征融合的掌纹识别方法，如 图1所示，具体包括以下步骤：

步骤1：采用二维Gabor相位编码，提取掌纹的纹理特征，采 用改进的有限Radon变换，即MFRAT，提取掌纹的主线特征，采用 双向主成分分析法，即BDPAC，提取掌纹的整体特征；

步骤1的具体方法为：

步骤1.1：采用二维Gabor相位编码，提取掌纹的纹理特征的具 体方法为：

二维离散Gabor滤波器的原形为：

$G(x,y,\theta ,\mu ,\sigma )=\frac{1}{2{\mathrm{\pi \sigma }}^2}\exp \left\{-\frac{x^2+y^2}{2{\sigma }^2}\right\}\exp \left\{2\pi i\left(\mu xcos\theta +\mu ysin\theta \right)\right\}---\left(1\right)$

将Gabor核函数去掉直流分量，由此得到一个改进的Gabor函数：

$\tilde{G}[x,y,\theta ,\mu ,\sigma ]=G[x,y,\theta ,\mu ,\sigma ]-\frac{\underset{i=-n}{\overset{n}{\Sigma }}\underset{i-n}{\overset{n}{\Sigma }}[x,y,\theta ,\mu ,\sigma ]}{{(2n+1)}^2}---\left(2\right)$

公式(1)、(2)中，(x,y)为给点位置的图像坐标值，i是虚数 符号，μ是正弦波的频率，θ用来控制函数的方向，σ是标准方差，2n+1 是滤波器的模板宽度；

对用公式(2)处理后的掌纹子图像I进行相位编码，形成两位 码字(b_r,b_i)，得到实部和虚部的二值图像，这样在掌纹的特征向量中仅 保存有相位信息，编码规则为：

步骤1.2：采用MFRAT提取掌纹的主线特征，具体方法为：

给定网格Z_p＝{0,1,...,p-1}，这里p为正整数，则MFRAT的实函数 f[i,j]在有限的网格上定义为：

$r\left[L_k\right]={\mathrm{MFRAT}}_f\left(k\right)=\frac{1}{C}\underset{(i,j)\in L_k}{\Sigma }f[i,j]---\left(5\right)$

公式(5)中，k＝1,2,...,N，N为方向个数，C为一个控制r[L_k]范围的常量， L_k表示在网格上组成直线的点，i,j为图像中某个点的像素坐标值， 公式为：

L_k＝{(i,j):j＝k(i-i₀)+j₀,i∈Z_p}(6)

公式(6)中，(i₀,j₀)是网格的中心点，k是直线L_k的斜率；

在MFRAT中，网格的中心点f(i₀,j₀)的方向θ_k和能量e的计算公 式如下：

${\theta }_{k(i_0,j_0)}=\arg \left({\min }_k\right(r\left[L_k\right])),e_{(i_0,j_0)}=|{\min }_k\left(r\right[L_k\left]\right)|---\left(7\right)$

公式(7)中，arg是角度运算，θ_k为对应于斜率k的角度；

设大小为m×n的图像I，由公式(7)得到的一幅图像所有像素点 的方向图像Direction_image和能量图像Energy_image表示为：

由公式(8)确定阈值T；

阈值T的确定方法为：先将能量图像Energy_image从大到小排序，然 后取第M个能量值作为阈值T；

通过阈值T，将能量图像Energy_image转化为二值图像，叫做线图 像，记作Line_image，Line_image，Line_image，Line_image，通过公式(9) 选择获得：

Line_image＝0若Energy_image＜T(9)

Line_image＝1若Energy_image≥T

此时，线图像Line_image中已包含了主线，但同时也包含一些较 强的皱纹线，可以通过方向准则进一步去掉这些皱纹线；

最后，对掌纹主线图像进行贴标签处理，去除很短的直线，获得 只含有三大主线的图像；

步骤1.3：基于BDPAC提取掌纹的整体特征，具体方法为：

BDPCA是基于图像矩阵的主成分分析法，具体方法如下：

设掌纹感兴趣区域训练样本图像有M个m×n维的图像样本 I₁,I₂,…,I_M，第j个训练样本图像的图像样本矩阵I_j可以用n个m×1的 列向量来进行表示，组成训练样本集，可计算出去行相关性的列方向 上总的散度矩阵为：

$G_r=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}(I_j-\bar{I}){(I_j-\bar{I})}^T---\left(10\right)$

同样，可以将第j个训练样本图像的图像样本矩阵I_j用m个1×n的 行向量来进行表示，组成训练样本集，可计算出去列相关性的行方向 上总的散度矩阵为：

$G_c=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{(I_j-\bar{1})}^T(I_j-\bar{I})---\left(11\right)$

公式(10)、(11)中，为训练样本图像总体的均值矩阵，

由矩阵G_r的前d₁(d₁≤M)个最大特征值相对应的特征向量 u_i(i＝1,2,...d₁)组成m×d₁的矩阵，就是列映射矩阵U，其中u_i表示与G_r的 第i个最大特征值对应的特征向量，同样，选取G_c的前d₂(d₂≤M)个 最大特征值相对应的特征向量v_i(i＝1,2,...d₂)组成n×d₂的矩阵，就是行 映射矩阵V，因此，图像矩阵I的大小为d₁×d₂维特征矩阵F_j为：

F_j＝U^TIV。(12)

步骤2：对提取掌纹的纹理特征使用Hamming距离进行分类选 取，得到纹理选取特征；对提取掌纹的主线特征使用点对区域的双向 匹配进行分类选取，得到主线选取特征；对提取掌纹的整体特征使用 最小欧氏距离算法进行分类选取，得到整体选取特征；

步骤2的包括以下步骤：

步骤2.1：对提取掌纹的纹理特征使用Hamming距离进行分类 选取，具体方法为：

Hamming距离用来衡量两幅图像纹理特征的相似度，用于掌纹 纹理特征的分类。

设P和Q为两个纹理特征向量，归一化的Hamming距离为：

$D_0=\frac{{\Sigma }_{i=1}^n{\Sigma }_{j=1}^n\left(P_R\right(i,j)\otimes Q_R(i,j))+\left(P_1\right(i,j)\otimes Q_1(i,j))}{2N^2}---\left(13\right)$

公式(13)中，P_R(Q_R)和P_I(Q_I)为纹理特征P(Q)的实部和虚部，为布尔 运算符，N×N为纹理特征向量尺寸，i,j为图像中某个点的像素坐标值，

为了更好的匹配，在水平和垂直方向移动其中一个特征再次匹 配，移动像素范围为-2到2，然后找出最小的Hamming距离，作为P 和Q的相似度；

步骤2.2：对提取掌纹的主线特征使用点对区域的双向匹配进行 分类选取，算法原理如下：

对于掌纹主线特征，使用点对区域的双向匹配算法对其分类，算 法原理如下：

假定A是测试的主线特征图像，B是训练的主线特征图像，A、 B大小为m×n，并且A、B为二值图像，主线的像素值为1，则图像A 到图像B的匹配分数如下：

$s\left(A,B\right)=\left(\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}A\left(i,j\right)\cap \bar{B}\left(i,j\right)\right)/N_A---\left(14\right)$

公式(14)中，N_A为图像A中主线的像素个数，是B(i,j)的 3×3邻域，

同理，图像B到图像A的匹配分数为：

$s\left(B,A\right)=\left(\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}B\left(i,j\right)\cap \bar{A}\left(i,j\right)\right)/N_B---\left(15\right)$

最后，图像A与图像B的匹配分数满足：

S(A,B)＝S(B,A)＝MAX(s(A,B),s(B,A))(16)

公式(16)中，S(A,B)处于0和1之间，S(A,B)越大，图像A 与图像B越相似，将S(A,B)的范围放大-0.1到0.1，找出多个相似的 图像；

步骤2.3：对提取掌纹的整体特征使用最小欧氏距离算法进行分 类选取，具体方法为：

设特征向量Y₁＝{y₁,y₂,...,y_n}，Y₂＝{y′₁,y′₂,...,y′_n}(n为特征向量维数)， 则欧氏距离定义为：

$d(Y_1,Y_2)=\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2}---\left(17\right)$

公式(17)中，d(Y_1,,Y₂)距离越小，图像Y_1,与图像Y₂越相似。 将d(Y_1,,Y₂)的范围放大-0.1到0.1，找出多个相似的图像。

步骤3：对纹理选取特征、主线选取特征和整体选取特征使用K 近邻分类器方法，得到的与待识别样本T的k个近邻的分类结果，将 分类结果采取Borda投票策略决策融合规则进行信息融合，从而实现 掌纹多特征的融合识别；

步骤3包括以下步骤：

K近邻分类器方法为，取待识别样本T的k个近邻，看这k个近邻 中多数属于哪一类，就把T归为哪一类；

即在掌纹训练库的N个样本中，设这N个样本中，找出待识别样 本T的来自Hamming距离ω₁分类的近邻样本有M₁个，找出待识别样 本T的来自点对区域的双向匹配ω₂分类的近邻样本有M₂个，找出待 识别样本T的来自点欧氏距离ω₃分类的近邻样本有M₃个；

Borda投票策略的基本思想是：每个投票者对不同的候选者采用 模式分类技术进行评价打分并排序，然后计算所有投票者的Borda数， 具有Borda数最大的候选者可以被认为在经过分类器评价后，在竞争 中是最优而获胜；

Borda投票策略具体为：

1)由于Hamming距离分类、点对区域的双向匹配分类和最小欧 氏距离算法分类这三种分类器匹配的属性各不相同，所以需要对各分 类器得到的距离进行归一化，具体如下：假设共有K个分类器，每个 分类器对应有M个图像，则第k分类器对M个图像评分的排序结果 C^k(f)为：

$C^k\left(f\right)=\frac{D_1^k}{D_{max}^k},...,\frac{D_m^k}{D_{max}^k},...,\frac{D_M^k}{D_{max}^k}---\left(18\right)$

公式(18)中：1≤m≤M.1≤k≤K，f是候选图像m的出现在多 个分类器中的频率，是第k分类器对候选图像m 评分，为k分类器中对所有候选图像的最大评分；

2)Borda投票策略没有考虑在实际分类器中之间性能的差别，采 用加权方式区分不同分类器的分类能力。则对图像m计算得到的 Borda数B_m为：

$B_m=f\times c+\underset{k=1}{\overset{K}{\Sigma }}(M-m)\times D_m^k---\left(19\right)$

公式(19)中，C为惩罚因子，如果候选图像m的Borda数B_m最 大，那么候选图像m可以被认为在经过K个分类器评价后，是最优而 被确认为识别结果。

实施例：

本发明采用香港理工大学的PolyU_Palmprint_Database掌纹库来 验证三种特征提取方法和融合策略方法的有效性。对一幅图像的定位 分割采用DavidZhang等(D.Zhang,W.Kong,J.You,M.Wong.Online palmprintidentification[J].PatternAnalysisandMachineIntelligence, IEEETransactionson,2003,25(9):1041–1050.)提出的方法，得到 128×128的掌纹感兴趣区域。

实验时，从PolyU掌纹库中随机选取100个人，每人6幅掌纹图 像共600幅掌纹图像作为实验对象，每幅图像的分辨率为75dpi,大小 为384×284。随机取每人的3幅图像组成训练集，另外3幅图像组成 识别集，这样训练集和识别集就各有300个样本。

表1给出了使用二维Gabor相位编码、改进的有限Radon变换 和双向主成分分析法算法，分别提取纹理、主线和整体特征的掌纹识 别结果，表1给出了使用三种特征提取方法对掌纹的识别结果。

表1采用三种特征提取方法的识别对比分析

算法名称 特征维数 分类器 识别率(％) 二维Gabor 1024 Hamming距离 84.3％ MFRAT 16384 点对区域的双向匹配 92.5％ BDPCA 64 最小欧氏距离 96.0％

从表1的识别结果可以得出：用BDPCA提取的掌纹整体特征识 别率最高为96％，特征维数为64，主线特征为92.5％，纹理特征最 低为84.3％。这表明，不同的掌纹特征描述掌纹的性能不同。

表2给出了利用上述三种特征使用K近邻分类器方法，得到的 与待识别样本T的k个近邻的分类结果，采取Borda投票策略决策融 合规则和基于模糊融合机制的决策层融合规则进行多特征融合识别 结果对比。

表2特征融合的识别结果

从表2的识别结果可以得出：多特征融合后的正确识别率有所提 高，其中基于投票策略的决策融合比基于模糊的决策融合效果好，这 与纹理特征识别率较低有关。

从实验结果可以看出，本发明利用上述三种特征得到的识别结 果，采用K近邻分类器和基于投票策略可得到100％的正确识别率。