基於差分運算的高精度掌紋識別方法
2023-09-16 20:23:25 1
專利名稱：基於差分運算的高精度掌紋識別方法
技術領域：
本發明涉及的是一種高精度身份識別方法，具體地說是一種基於掌紋的身份識別方法。
背景技術：
在當今的信息社會中，藉助計算機來進行自動身份識別的重要性日益增加，生物識別技術是該領域中最重要的、最可靠的方法。在現有的生物識別技術中，指紋識別應用得最廣，虹膜識別的可靠性則最高。然而，從不清晰的指紋圖像中提取細節點特徵是非常困難的，虹膜採集設備的價格又相當昂貴。其他一些生物特徵，如人臉、聲音、籤名等的精度不夠高。掌紋識別是一種新興的生物識別技術，它具有許多獨特的優點跟指紋一樣，手掌上也布滿了乳突紋，但手掌區域卻比手指區域大得多，因而掌紋含有比指紋更為豐富的可區分信息；手掌上有幾條大的主線和很多的皺褶線，這樣的線特徵是掌紋所獨有的，具有很強的區分能力和抗噪聲能力，並且可以在低解析度、低質量的掌紋圖像中提取出來；與三維手形相比，掌紋特徵的唯一性更強，更適合身份辨識，性能更好；和人臉相比，掌紋圖像獲取的條件較易控制，從而能較好地保證掌紋識別系統的識別精度；和虹膜以及視網膜相比，掌紋識別的採集設備價格低廉，並且使用更為方便，更容易為用戶所接受；和籤名相比，掌紋特徵非常穩定，這使得它在身份識別中能獲得比籤名更高的識別精度。另外，當使用高解析度的採集設備時，手掌上的各種特徵，如手掌的幾何特徵、手掌上的乳突紋、主線和皺褶線等特徵可以融合在一起，形成一個高精度的識別系統。
目前，研究人員已經對許多不同的掌紋識別方法進行了深入研究。Duta[「掌紋匹配」，模式識別快報，23卷，4期，477-485頁，2001年。N.Duta，A.Jain，andK.Mardia，「Matching of palmprint，」Pattern Recognition Letters，vol.23，no.4，pp.477-485，2001.]從掌紋線中提取特徵點來進行脫機掌紋驗證。Zhang[「聯機掌紋識別」，IEEE模式分析與機器智能彙刊，25卷，9期，1041-1050頁，2003年。D.Zhang，W.Kong，J.You，and M.Wong，「Online palmprint identification，」IEEE Trans.Pattern Anal.Machine Intell.，vol.25，no.9，pp.1041-1050，2003.]利用二維Gabor濾波器提取低解析度聯機掌紋圖像的紋理特徵(稱為PalmCode)，然後利用這些特徵建立了一個聯機掌紋識別系統。Kong[「基於特徵層融合的掌紋識別」，模式識別，39卷，3期，478-487頁，2006年。A.Kong，D.Zhang and M.Kame，「Palmprintidentification using feature-level fusion，」Pattern Recognition，vol.39，no.3，pp.478--487，2006.]通過融合不同方向的PalmCode以提高識別精度(他們稱這種方法為FusionCode)。PalmCode和FusionCode是目前精度最高的掌紋識別算法。You[「面向大規模資料庫的多特徵分層編碼掌紋識別」，IEEE基於視覺的電路和系統彙刊，14卷，2期，234-243頁，2004年。J.You，W.K.Kong，D.Zhang，and K.H.Cheung，「On hierarchical palmprint coding with multiple features for personal identification in largedatabases，」IEEE Trans.Circuits Syst.Video Technol.，vol.14，no.2，pp.234-243，2004.]利用多種特徵對掌紋進行分層編碼，以實現在大規模掌紋資料庫中進行身份識別。Zhang[「基於方向上下文建模小波特徵的掌紋識別」，IEEE系統、人、控制彙刊B類，34卷，3期，1335-1347頁，2004年。L.Zhang andD.Zhang，「Characterizationof palmprints by wavelet signatures via directional context modeling，」IEEE Trans.Syst.，Man，Cybern.B，vol.34，no.3，pp.1335-1347，2004.]利用小波變換的方法來進行掌紋識別。Han[「基於掌紋特徵的身份認證」，模式識別，36卷，2期，371-381頁，2003年。C.Han，H.Chen，C.Lin，and K.Fan，「Personal authentication using palm-printfeatures，」Pattern Recognition，vol.36，no.2，pp.371-381，2003.]利用Sobel和形態學運算從掌紋圖像中提取類線性特徵，最終通過對這些類線特徵的匹配來實現身份識別。我們早期的工作[「面向身份識別的掌紋線特徵的提取與匹配」，IEEE系統、人、控制彙刊A類，36卷，5期，2006年。X.Wu，K.Wang，D.Zhang，「Palm-lineExtraction and Matching for Personal Authentication，」IEEE Transactions onSystems，Man，and Cybernetics，Part A.2006，36(5).]通過提取和匹配手掌紋線來進行掌紋識別。不同的方法利用了不同的掌紋特徵。
發明內容本發明的目的在於提供一種能夠有效地區分不同的掌紋，能實時進行高精度身份識別的掌紋識別方法。
本發明的目的是這樣實現1.掌紋圖像預處理由於在基於CCD的掌紋採集儀器上安裝有幾個用於限制手掌的平移和旋轉的小柱子，這些柱子使得手指分開，在食指和中指、無名指和小指之間形成兩個孔洞。通過計算圖像中這兩個孔洞的切線來校正手掌圖像，然後裁切位於手掌圖像中央的大小為128×128像素的矩形圖像塊來進行特徵提取和匹配；2.特徵提取-建立掌紋差分編碼PDC假設I為一幅N×N的掌紋圖像，首先用參數為σ的二維Gaussian濾波器Gσ對圖像進行過濾，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和豎直方向上的差分(Isy)可以通過如下公式計算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>這裡，「*」是卷積運算；然後，根據Isx和Isy中各點值的正負符號來對掌紋進行編碼，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>
C=CxCy]]>被稱作掌紋差分編碼(palmprint differential code，簡稱為PDC.)；3.掌紋匹配假設C1=C1xC1y]]>和C2=C2xC2y]]>代表兩幅掌紋I1和I2的PDC碼，對於任一點(i，j)，如果C1x(i，j)等於C2x(i，j)，且C1y(i，j)等於C2y(i，j)，那麼，(i，j)稱為C1與C2的匹配點，顯然，匹配點越多，C1和C2的相似度越高。
Hamming距離被定義為兩個字符串在相應位置上不同字符的數目。為衡量C1和C2之間的相似性，可設計一個改進的Hamming距離如下 這裡「」和「∨」分別代表邏輯「異或」和「或」運算，C1和C2的匹配度可通過D(C1，C2)來計算S(C1,C2)=1-D(C1,C2)NN---(8)]]>本發明還可以包括這樣一些特徵1、將C1x和C1y在水平和豎直方向上平移若干個像素得到平移後的C1，然後，在每個平移位置上計算C1和C2的匹配度，將所有這些匹配度中的最大值作為最終匹配度。
2、特徵提取過程中包括在PDC的建立過程中，選擇σ＝0.5，Gσ的尺寸為4×4，則此時二維高斯濾波器為G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>3、在計算PDC之前，掌紋圖像的大小由128×128像素縮放到32×32像素，因而，PDC的尺寸為32×64。
本發明的優點體現在所有的掌紋特徵都是由圖象的灰度變化形成的。本發明通過差分運算來描述掌紋圖像灰度的變化。首先，利用二維高斯濾波器對掌紋圖像進行平滑。然後，對平滑後的圖像進行兩次差分運算。最後，根據差分結果的正負符號對掌紋進行編碼。這種編碼稱為palmprint differential code(PDC)。在匹配階段，本發明定義了一種改進的Hamming距離來計算不同PDC之間的相似性。在大規模掌紋資料庫上的測試結果證實了PDC算法的優良性能。在掌紋身份驗證中，PDC算法和FusionCode算法都遠遠優於Sobel方法。而且，PDC算法比目前精度最高的掌紋識別算法FusionCode的精度更高，PDC算法的EER值(0.19％)比FusionCode方法(0.60％)低了0.41％。在掌紋身份辨識中，PDC算法的辨識精度(98.53％)也比FusionCode和Sobel算法的辨識精度(分別為96.63％和89.33％)高很多。此外，PDC方法只需256位元組就可以表示一個掌紋，其平均處理時間，包括預處理、特徵提取以及匹配階段，僅僅用時0.6秒。所以，PDC算法能夠有效地區分不同的掌紋，是一種實時的高精度身份識別方法。
圖1是原始掌紋圖像；圖2是對圖1進行預處理後的圖像；圖3是掌紋匹配度的分布曲線；圖4是不同掌紋識別算法的ROC曲線；圖5是PDC與FusionCode算法ROC曲線的重繪。
具體實施方式
下面舉例對本發明作更詳細地描述1.由於掌紋圖像的大小、方向等不規則，首先應對掌紋圖像進行預處理。
由於在基於CCD的掌紋採集儀器上安裝有幾個用於限制手掌的平移和旋轉的小柱子，這些柱子使得手指分開，在食指和中指、無名指和小指之間形成兩個孔洞。利用[「聯機掌紋識別」，IEEE模式分析與機器智能彙刊，25卷，9期，1041-1050頁，2003年。D.Zhang，W.Kong，J.You，and M.Wong，「Online palmprintidentification，」IEEE Trans.Pattern Anal.Machine Intell.，vol.25，no.9，pp.1041-1050，2003.]中描述的預處理技術來歸一化掌紋圖像。這種技術通過計算掌紋圖像中的這兩個孔洞的切線來校正圖片。然後裁切位於手掌圖像中央的大小為128×128像素的矩形圖像塊來進行特徵提取和匹配。
這樣預處理使得來自同一個手掌的不同掌紋圖像的旋轉和平移得到很大程度的消除。圖1和圖2給出了一幅掌紋圖像及其經過預處理後的結果。
2.特徵提取-建立掌紋差分編碼PDC假設I為一幅掌紋圖像，首先用參數為σ的二維Gaussian濾波器Gσ對圖像進行過濾，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和豎直方向上的差分(Isy)可以通過如下公式計算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>
這裡，「*」是卷積運算；然後，根據Isx和Isy中各點值的正負符號來對掌紋進行編碼，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>C=CxCy]]>被稱作掌紋差分編碼(palmprint differential code，簡稱為PDC.)。
特徵提取過程中相關的工作在PDC的建立過程中，有兩個參數需要被定義二維高斯濾波器Gσ的尺寸及其變量σ。通過大量的實驗，我們選擇σ＝0.5，Gσ的尺寸為4×4。因此，二維高斯濾波器如下G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>預處理(步驟1)後的掌紋圖片大小為128×128像素。大量的實驗表明，用大小為32×32像素的圖像來提取和匹配PDC就能很好地實現身份識別。所以，在計算PDC之前，掌紋圖像的大小由128×128像素縮放到32×32像素。這樣，PDC的尺寸就為32×64。
3.掌紋匹配假設C1=C1xC1y]]>和C2=C2xC2y]]>代表兩幅掌紋I1和I2的PDC碼。對於任一點(i，j)，如果C1x(i，j)等於C2x(i，j)，且C1y(i，j)等於C2y(i，j)，那麼，(i，j)稱為C1與C2的匹配點。可以明顯地看出，匹配點越多，C1和C2的相似度越高。我們可以根據匹配點的數目來衡量PDC間的相似性。
Hamming距離被定義為兩個字符串相應位置的字符不同的數目。為衡量C1和C2之間的相似性，我們設計一個改進的Hamming距離如下 這裡「」和「∨」分別代表邏輯「異或」和「或」運算。
C1和C2的匹配度可通過D(C1，C2)來計算S(C1,C2)=1-D(C1,C2)NN---(8)]]>由於預處理不可能完全消除所有的旋轉和平移，不同時刻採集的同一個手掌的圖像預處理後仍會存在微小的平移和旋轉。為了解決這個問題，我們將C1x和C1y在水平和豎直方向平移若干個像素得到平移後的C1，然後，在每個平移位置上計算C1和C2的匹配度，將所有這些匹配度中的最大值作為最終匹配度。
結果及分析A.掌紋資料庫採用香港理工大學的掌紋資料庫[香港理工大學掌紋庫，PolyU PalmprintDatabase.http://www.comp.polyu.edu.hk/～biometrics/]來對PDC算法進行測試。該資料庫包含來自392個不同手掌的7605幅掌紋圖像。這些圖像是分兩次對不同年齡的男性和女性進行採集的，兩次採集間隔平均為2個月，每次對一個手掌採集10幅左右的圖像。所以，資料庫中每個手掌有近20幅圖像。圖像大小為384×284像素。應用文獻[「聯機掌紋識別」，IEEE模式分析與機器智能彙刊，25卷，9期，1041-1050頁，2003年。D.Zhang，W.Kong，J.You，and M.Wong，「Onlinepalmprint identification，」IEEE Trans.Pattern Anal.Machine Intell.，vol.25，no.9，pp.1041-1050，2003.]中的預處理技術，截取掌紋圖像中心大小為128×128像素的圖像塊來代表整個掌紋，掌紋特徵的提取及匹配均在這個圖像塊上進行。
B.掌紋匹配來自同一手掌的不同掌紋圖像之間的匹配被稱為合法匹配(genuinematching)，來自不同手掌的掌紋圖像之間的匹配稱為非法匹配(impostormatching)。為了測試PDC算法的掌紋匹配性能，資料庫中每個樣本都同其他樣本進行了匹配，這樣總共進行了28,914,210(7605×7604/2)次匹配，其中70,502次是合法匹配。合法匹配和非法匹配的分布如圖3所示。圖中，匹配度的分布曲線有兩個明顯的峰值。一個峰值(大約為0.6)對應非法匹配，另一個峰值(約為0.3)對應合法匹配。兩個峰值分布很遠，而且合法匹配曲線與非法匹配曲線交疊部分很小。所以，PDC算法可以有效地區分不同的掌紋。
C.掌紋身份驗證掌紋身份驗證，也稱為一對一匹配，就是根據用戶的掌紋來回答「這個人是他自稱的那個人嗎？」。在掌紋驗證時，用戶首先表明自己的身份，錄入的掌紋只需和該身份相對應的模板進行匹配。為了測試驗證的精確度，資料庫中每一個樣本都與其他樣本進行匹配，如果匹配度超過了給定的閾值，則認為驗證通過，否則被拒絕。一種身份驗證方法的性能通常由兩種錯誤率，即認假率(False Accept Rate，FAR)和拒真率(False Reject Rate，FRR)來衡量。FRR是指系統將合法用戶當成假冒者而拒絕的概率；FAR是指系統將假冒者當成合法用戶而接受的概率。FRR和FAR這兩個錯誤率反映了一個生物識別系統兩個不同方面的特性FAR越低，假冒者被接受的可能性越低，從而系統的安全性越高；FRR越低，合法用戶被拒絕的可能性越低，從而使得系統的易用性越好。對於任何一個生物識別系統來說，FAR和FRR越小越好。但是，這兩個錯誤率是矛盾的，二者不能同時降低，其中任何一個的降低，必將引起另一個的升高。所以應該根據不同的應用來折衷調節FAR和FRR對於安全性要求較高的系統，比如某些軍事系統，安全最重要，因此應該降低FAR；在對安全性要求不是很高的系統，比如很多的民用系統，易用性很重要，這時應該相應降低FRR。為了更好體現FAR和FRR之間的關係，並且便於不同方法的比較，通常將不同閾值下的FAR和FRR組成二維坐標系中的一系列點(FAR，FRR)，並將這些點在坐標系中畫成曲線，稱為ROC曲線(Receiver Operating Characteristic(ROC)Curve)。圖4給出了在該資料庫上對PDC、FusionCode[「利用特徵層融合的掌紋識別」，模式識別，39卷，3期，478-487頁，2006年。A.Kong，D.Zhang and M.Kame，「Palmprint identification using feature-level fusion，」Pattern Recognition，vol.39，no.3，pp.478--487，2006.]和Sobel[「基於掌紋特徵的身份認證」，模式識別，36卷，2期，371-381頁，2003年。C.Han，H.Chen，C.Lin，and K.Fan，「Personal authenticationusing palm-print features，」Pattern Recognition，vol.36，no.2，pp.371-381，2003.]算法進行測試所得到的各自的ROC曲線。PDC方法的等誤率(Equal Error Rate，EER)，也就是FAR和FRR相等時的FAR或FRR，為0.19％，而FusionCode和Sobel算法的等誤率分別為0.6％、5.0％(如下表所示)，因此PDC和FusionCode算法的性能要遠遠優於Sobel算法。為了進一步分析，在圖5中重繪了PDC和FusionCode兩種算法的ROC曲線，可以看出，PDC算法的整條ROC曲線都位於FusionCode算法的ROC曲線的下方。同時，當FRR為2％時，PDC算法的FAR(為0.0025％)不足FusionCode算法的FAR(為0.0078％)的1/3。所以，PDC算法的精度要遠遠高於FusionCode。
不同掌紋識別算法的等誤率
D.掌紋身份辨識掌紋身份辨識，也稱為一對多匹配，是根據用戶的掌紋來回答「這個人是誰？」。首先預處理錄入的掌紋，然後從預處理過的圖像提取掌紋特徵。將掌紋特徵與資料庫中的各個模板進行匹配，其中最為相似的模板所對應的標識就是身份辨識的結果。從資料庫中每個手掌的掌紋圖像中隨機取出一幅作為模板，其餘的圖像作為測試樣本。也就是說，一共有392個模板和7213個測試樣本。PDC、FusionCode、Sobel算法的精確度分別為98.53％，96.63％和89.33％。顯然，在掌紋身份辨識中，PDC算法也要優於其他兩者。
E.存儲需求在生物識別系統中，存儲需求是一個非常重要的因素。由於PDC是一個32×64的二值矩陣，一個PDC編碼所需的存儲量為(32×64)÷8＝256位元組，而一個FusionCode需要384位元組。可見，PDC算法比FusionCode算法所需存儲量要小很多。
F.處理速度對聯機生物識別系統來說，處理速度至關重要。所有實驗是在Intel PentiumII處理器(500MHz)的個人電腦上用Visual C++編程實現的，下表列出了PDC算法的預處理、特徵提取以及匹配所需的平均時間。從該表知，進行一次身份驗證的平均響應時間為0.6秒，而進行一次身份辨識則需要大約(595+1.3×N)/1000秒(N是模板的數目)，若模板數N取1000，則進行一次身份辨識所需時間小於2秒，這完全能夠滿足一個實時生物識別系統的要求。
PDC算法的處理速度
權利要求
1.一種基於差分運算的高精度掌紋識別方法，其特徵是(1)掌紋圖像預處理在CCD的掌紋採集儀器上安裝用於限制手掌的平移和旋轉的小柱子，使得手指分開，在食指和中指、無名指和小指之間形成兩個孔洞，通過計算圖像中這兩個孔洞的切線來校正手掌圖像，然後裁切位於手掌圖像中央的大小為128×128像素的矩形圖像塊來進行特徵提取和匹配；(2)特徵提取-建立掌紋差分編碼PDC假設I為一幅掌紋圖像，首先用參數為σ的2D Gaussian濾波器Gσ對圖像進行過濾，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和豎直方向上的差分(Isy)可以通過如下公式計算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>這裡，「*」是卷積運算；然後，根據Isx和Isy中各點值的正負符號來對掌紋進行編碼，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>C=CxCy]]>被稱作掌紋差分編碼(palmprint differential code，簡稱為PDC.)；(3)掌紋匹配假設C1=C1xC1y]]>和C2=C2xC2y]]>代表兩幅掌紋I1和I2的PDC碼，對於任一點(i，j)，如果C1x(i，j)等於C2x(i，j)，且C1y(i，j)等於C2y(i，j)，那麼，(i，j)稱為C1與C2的匹配點，顯然，匹配點越多，C1和C2的相似度越高。Hamming距離被定義為兩個字符串在相應位置上不同字符的數目。為衡量C1和C2之間的相似性，可設計一個改進的Hamming距離如下 這裡「」和「」分別代表邏輯「異或」和「或」運算，C1和C2的匹配度可通過D(C1，C2)來計算S(C1,C2)=1-D(C1,C2)3232---(8)]]>
2.根據權利要求1所述的基於差分運算的高精度掌紋識別方法，其特徵是將C1x和C1y在水平和豎直方向平移若干個像素得到平移後的C1，然後，在每個平移位置上計算C1和C2的匹配度，將所有這些匹配度中的最大值作為最終匹配度。
3.根據權利要求2所述的基於差分運算的高精度掌紋識別方法，其特徵是特徵提取過程中包括在PDC的建立過程中，選擇σ＝0.5，Gσ的尺寸為4×4，則此時二維高斯濾波器為G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>
4.根據權利要求3所述的基於差分運算的高精度掌紋識別方法，其特徵是在計算PDC之前，掌紋圖像的大小由128×128像素縮放到32×32像素，PDC的尺寸為32×64。
全文摘要
本發明提供的是一種基於差分運算的高精度掌紋識別方法。它包括(1)掌紋圖像預處理；(2)特徵提取－建立掌紋差分編碼PDC；(3)掌紋匹配。本發明通過差分運算來描述圖像灰度的變化。首先，利用二維高斯濾波器對掌紋圖像進行平滑。然後，對平滑後的圖像進行兩次差分運算。最後，根據差分結果的正負符號對掌紋進行編碼。這種編碼稱為palmprint differential code(PDC)。PDC算法能夠有效地區分不同的掌紋，是一種實時的高精度身份識別方法，其識別精度比目前最好的掌紋識別方法還高出很多。
文檔編號G06K9/00GK1924891SQ200610010548
公開日2007年3月7日 申請日期2006年9月15日 優先權日2006年9月15日
發明者鄔向前, 張大鵬, 王寬全 申請人:哈爾濱工業大學