专利名称：基于差分运算的高精度掌纹识别方法
技术领域：
本发明涉及的是一种高精度身份识别方法，具体地说是一种基于掌纹的身份识别方法。
背景技术：
在当今的信息社会中，借助计算机来进行自动身份识别的重要性日益增加，生物识别技术是该领域中最重要的、最可靠的方法。在现有的生物识别技术中，指纹识别应用得最广，虹膜识别的可靠性则最高。然而，从不清晰的指纹图像中提取细节点特征是非常困难的，虹膜采集设备的价格又相当昂贵。其他一些生物特征，如人脸、声音、签名等的精度不够高。掌纹识别是一种新兴的生物识别技术，它具有许多独特的优点跟指纹一样，手掌上也布满了乳突纹，但手掌区域却比手指区域大得多，因而掌纹含有比指纹更为丰富的可区分信息；手掌上有几条大的主线和很多的皱褶线，这样的线特征是掌纹所独有的，具有很强的区分能力和抗噪声能力，并且可以在低分辨率、低质量的掌纹图像中提取出来；与三维手形相比，掌纹特征的唯一性更强，更适合身份辨识，性能更好；和人脸相比，掌纹图像获取的条件较易控制，从而能较好地保证掌纹识别系统的识别精度；和虹膜以及视网膜相比，掌纹识别的采集设备价格低廉，并且使用更为方便，更容易为用户所接受；和签名相比，掌纹特征非常稳定，这使得它在身份识别中能获得比签名更高的识别精度。另外，当使用高分辨率的采集设备时，手掌上的各种特征，如手掌的几何特征、手掌上的乳突纹、主线和皱褶线等特征可以融合在一起，形成一个高精度的识别系统。
目前，研究人员已经对许多不同的掌纹识别方法进行了深入研究。Duta[“掌纹匹配”，模式识别快报，23卷，4期，477-485页，2001年。N.Duta，A.Jain，andK.Mardia，“Matching of palmprint，”Pattern Recognition Letters，vol.23，no.4，pp.477-485，2001.]从掌纹线中提取特征点来进行脱机掌纹验证。Zhang[“联机掌纹识别”，IEEE模式分析与机器智能汇刊，25卷，9期，1041-1050页，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.]利用二维Gabor滤波器提取低分辨率联机掌纹图像的纹理特征(称为PalmCode)，然后利用这些特征建立了一个联机掌纹识别系统。Kong[“基于特征层融合的掌纹识别”，模式识别，39卷，3期，478-487页，2006年。A.Kong，D.Zhang and M.Kame，“Palmprintidentification using feature-level fusion，”Pattern Recognition，vol.39，no.3，pp.478--487，2006.]通过融合不同方向的PalmCode以提高识别精度(他们称这种方法为FusionCode)。PalmCode和FusionCode是目前精度最高的掌纹识别算法。You[“面向大规模数据库的多特征分层编码掌纹识别”，IEEE基于视觉的电路和系统汇刊，14卷，2期，234-243页，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.]利用多种特征对掌纹进行分层编码，以实现在大规模掌纹数据库中进行身份识别。Zhang[“基于方向上下文建模小波特征的掌纹识别”，IEEE系统、人、控制汇刊B类，34卷，3期，1335-1347页，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.]利用小波变换的方法来进行掌纹识别。Han[“基于掌纹特征的身份认证”，模式识别，36卷，2期，371-381页，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和形态学运算从掌纹图像中提取类线性特征，最终通过对这些类线特征的匹配来实现身份识别。我们早期的工作[“面向身份识别的掌纹线特征的提取与匹配”，IEEE系统、人、控制汇刊A类，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).]通过提取和匹配手掌纹线来进行掌纹识别。不同的方法利用了不同的掌纹特征。
发明内容本发明的目的在于提供一种能够有效地区分不同的掌纹，能实时进行高精度身份识别的掌纹识别方法。
本发明的目的是这样实现1.掌纹图像预处理由于在基于CCD的掌纹采集仪器上安装有几个用于限制手掌的平移和旋转的小柱子，这些柱子使得手指分开，在食指和中指、无名指和小指之间形成两个孔洞。通过计算图像中这两个孔洞的切线来校正手掌图像，然后裁切位于手掌图像中央的大小为128×128像素的矩形图像块来进行特征提取和匹配；2.特征提取-建立掌纹差分编码PDC假设I为一幅N×N的掌纹图像，首先用参数为σ的二维Gaussian滤波器Gσ对图像进行过滤，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和竖直方向上的差分(Isy)可以通过如下公式计算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>这里，“*”是卷积运算；然后，根据Isx和Isy中各点值的正负符号来对掌纹进行编码，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>
C=CxCy]]>被称作掌纹差分编码(palmprint differential code，简称为PDC.)；3.掌纹匹配假设C1=C1xC1y]]>和C2=C2xC2y]]>代表两幅掌纹I1和I2的PDC码，对于任一点(i，j)，如果C1x(i，j)等于C2x(i，j)，且C1y(i，j)等于C2y(i，j)，那么，(i，j)称为C1与C2的匹配点，显然，匹配点越多，C1和C2的相似度越高。
Hamming距离被定义为两个字符串在相应位置上不同字符的数目。为衡量C1和C2之间的相似性，可设计一个改进的Hamming距离如下 这里“”和“∨”分别代表逻辑“异或”和“或”运算，C1和C2的匹配度可通过D(C1，C2)来计算S(C1,C2)=1-D(C1,C2)N×N---(8)]]>本发明还可以包括这样一些特征1、将C1x和C1y在水平和竖直方向上平移若干个像素得到平移后的C1，然后，在每个平移位置上计算C1和C2的匹配度，将所有这些匹配度中的最大值作为最终匹配度。
2、特征提取过程中包括在PDC的建立过程中，选择σ＝0.5，Gσ的尺寸为4×4，则此时二维高斯滤波器为G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>3、在计算PDC之前，掌纹图像的大小由128×128像素缩放到32×32像素，因而，PDC的尺寸为32×64。
本发明的优点体现在所有的掌纹特征都是由图象的灰度变化形成的。本发明通过差分运算来描述掌纹图像灰度的变化。首先，利用二维高斯滤波器对掌纹图像进行平滑。然后，对平滑后的图像进行两次差分运算。最后，根据差分结果的正负符号对掌纹进行编码。这种编码称为palmprint differential code(PDC)。在匹配阶段，本发明定义了一种改进的Hamming距离来计算不同PDC之间的相似性。在大规模掌纹数据库上的测试结果证实了PDC算法的优良性能。在掌纹身份验证中，PDC算法和FusionCode算法都远远优于Sobel方法。而且，PDC算法比目前精度最高的掌纹识别算法FusionCode的精度更高，PDC算法的EER值(0.19％)比FusionCode方法(0.60％)低了0.41％。在掌纹身份辨识中，PDC算法的辨识精度(98.53％)也比FusionCode和Sobel算法的辨识精度(分别为96.63％和89.33％)高很多。此外，PDC方法只需256字节就可以表示一个掌纹，其平均处理时间，包括预处理、特征提取以及匹配阶段，仅仅用时0.6秒。所以，PDC算法能够有效地区分不同的掌纹，是一种实时的高精度身份识别方法。
图1是原始掌纹图像；图2是对图1进行预处理后的图像；图3是掌纹匹配度的分布曲线；图4是不同掌纹识别算法的ROC曲线；图5是PDC与FusionCode算法ROC曲线的重绘。
具体实施方式
下面举例对本发明作更详细地描述1.由于掌纹图像的大小、方向等不规则，首先应对掌纹图像进行预处理。
由于在基于CCD的掌纹采集仪器上安装有几个用于限制手掌的平移和旋转的小柱子，这些柱子使得手指分开，在食指和中指、无名指和小指之间形成两个孔洞。利用[“联机掌纹识别”，IEEE模式分析与机器智能汇刊，25卷，9期，1041-1050页，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.]中描述的预处理技术来归一化掌纹图像。这种技术通过计算掌纹图像中的这两个孔洞的切线来校正图片。然后裁切位于手掌图像中央的大小为128×128像素的矩形图像块来进行特征提取和匹配。
这样预处理使得来自同一个手掌的不同掌纹图像的旋转和平移得到很大程度的消除。图1和图2给出了一幅掌纹图像及其经过预处理后的结果。
2.特征提取-建立掌纹差分编码PDC假设I为一幅掌纹图像，首先用参数为σ的二维Gaussian滤波器Gσ对图像进行过滤，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和竖直方向上的差分(Isy)可以通过如下公式计算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>
这里，“*”是卷积运算；然后，根据Isx和Isy中各点值的正负符号来对掌纹进行编码，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>C=CxCy]]>被称作掌纹差分编码(palmprint differential code，简称为PDC.)。
特征提取过程中相关的工作在PDC的建立过程中，有两个参数需要被定义二维高斯滤波器Gσ的尺寸及其变量σ。通过大量的实验，我们选择σ＝0.5，Gσ的尺寸为4×4。因此，二维高斯滤波器如下G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>预处理(步骤1)后的掌纹图片大小为128×128像素。大量的实验表明，用大小为32×32像素的图像来提取和匹配PDC就能很好地实现身份识别。所以，在计算PDC之前，掌纹图像的大小由128×128像素缩放到32×32像素。这样，PDC的尺寸就为32×64。
3.掌纹匹配假设C1=C1xC1y]]>和C2=C2xC2y]]>代表两幅掌纹I1和I2的PDC码。对于任一点(i，j)，如果C1x(i，j)等于C2x(i，j)，且C1y(i，j)等于C2y(i，j)，那么，(i，j)称为C1与C2的匹配点。可以明显地看出，匹配点越多，C1和C2的相似度越高。我们可以根据匹配点的数目来衡量PDC间的相似性。
Hamming距离被定义为两个字符串相应位置的字符不同的数目。为衡量C1和C2之间的相似性，我们设计一个改进的Hamming距离如下 这里“”和“∨”分别代表逻辑“异或”和“或”运算。
C1和C2的匹配度可通过D(C1，C2)来计算S(C1,C2)=1-D(C1,C2)N×N---(8)]]>由于预处理不可能完全消除所有的旋转和平移，不同时刻采集的同一个手掌的图像预处理后仍会存在微小的平移和旋转。为了解决这个问题，我们将C1x和C1y在水平和竖直方向平移若干个像素得到平移后的C1，然后，在每个平移位置上计算C1和C2的匹配度，将所有这些匹配度中的最大值作为最终匹配度。
结果及分析A.掌纹数据库采用香港理工大学的掌纹数据库[香港理工大学掌纹库，PolyU PalmprintDatabase.http://www.comp.polyu.edu.hk/～biometrics/]来对PDC算法进行测试。该数据库包含来自392个不同手掌的7605幅掌纹图像。这些图像是分两次对不同年龄的男性和女性进行采集的，两次采集间隔平均为2个月，每次对一个手掌采集10幅左右的图像。所以，数据库中每个手掌有近20幅图像。图像大小为384×284像素。应用文献[“联机掌纹识别”，IEEE模式分析与机器智能汇刊，25卷，9期，1041-1050页，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.]中的预处理技术，截取掌纹图像中心大小为128×128像素的图像块来代表整个掌纹，掌纹特征的提取及匹配均在这个图像块上进行。
B.掌纹匹配来自同一手掌的不同掌纹图像之间的匹配被称为合法匹配(genuinematching)，来自不同手掌的掌纹图像之间的匹配称为非法匹配(impostormatching)。为了测试PDC算法的掌纹匹配性能，数据库中每个样本都同其他样本进行了匹配，这样总共进行了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图3所示。图中，匹配度的分布曲线有两个明显的峰值。一个峰值(大约为0.6)对应非法匹配，另一个峰值(约为0.3)对应合法匹配。两个峰值分布很远，而且合法匹配曲线与非法匹配曲线交叠部分很小。所以，PDC算法可以有效地区分不同的掌纹。
C.掌纹身份验证掌纹身份验证，也称为一对一匹配，就是根据用户的掌纹来回答“这个人是他自称的那个人吗？”。在掌纹验证时，用户首先表明自己的身份，录入的掌纹只需和该身份相对应的模板进行匹配。为了测试验证的精确度，数据库中每一个样本都与其他样本进行匹配，如果匹配度超过了给定的阈值，则认为验证通过，否则被拒绝。一种身份验证方法的性能通常由两种错误率，即认假率(False Accept Rate，FAR)和拒真率(False Reject Rate，FRR)来衡量。FRR是指系统将合法用户当成假冒者而拒绝的概率；FAR是指系统将假冒者当成合法用户而接受的概率。FRR和FAR这两个错误率反映了一个生物识别系统两个不同方面的特性FAR越低，假冒者被接受的可能性越低，从而系统的安全性越高；FRR越低，合法用户被拒绝的可能性越低，从而使得系统的易用性越好。对于任何一个生物识别系统来说，FAR和FRR越小越好。但是，这两个错误率是矛盾的，二者不能同时降低，其中任何一个的降低，必将引起另一个的升高。所以应该根据不同的应用来折衷调节FAR和FRR对于安全性要求较高的系统，比如某些军事系统，安全最重要，因此应该降低FAR；在对安全性要求不是很高的系统，比如很多的民用系统，易用性很重要，这时应该相应降低FRR。为了更好体现FAR和FRR之间的关系，并且便于不同方法的比较，通常将不同阈值下的FAR和FRR组成二维坐标系中的一系列点(FAR，FRR)，并将这些点在坐标系中画成曲线，称为ROC曲线(Receiver Operating Characteristic(ROC)Curve)。图4给出了在该数据库上对PDC、FusionCode[“利用特征层融合的掌纹识别”，模式识别，39卷，3期，478-487页，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[“基于掌纹特征的身份认证”，模式识别，36卷，2期，371-381页，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.]算法进行测试所得到的各自的ROC曲线。PDC方法的等误率(Equal Error Rate，EER)，也就是FAR和FRR相等时的FAR或FRR，为0.19％，而FusionCode和Sobel算法的等误率分别为0.6％、5.0％(如下表所示)，因此PDC和FusionCode算法的性能要远远优于Sobel算法。为了进一步分析，在图5中重绘了PDC和FusionCode两种算法的ROC曲线，可以看出，PDC算法的整条ROC曲线都位于FusionCode算法的ROC曲线的下方。同时，当FRR为2％时，PDC算法的FAR(为0.0025％)不足FusionCode算法的FAR(为0.0078％)的1/3。所以，PDC算法的精度要远远高于FusionCode。
不同掌纹识别算法的等误率
D.掌纹身份辨识掌纹身份辨识，也称为一对多匹配，是根据用户的掌纹来回答“这个人是谁？”。首先预处理录入的掌纹，然后从预处理过的图像提取掌纹特征。将掌纹特征与数据库中的各个模板进行匹配，其中最为相似的模板所对应的标识就是身份辨识的结果。从数据库中每个手掌的掌纹图像中随机取出一幅作为模板，其余的图像作为测试样本。也就是说，一共有392个模板和7213个测试样本。PDC、FusionCode、Sobel算法的精确度分别为98.53％，96.63％和89.33％。显然，在掌纹身份辨识中，PDC算法也要优于其他两者。
E.存储需求在生物识别系统中，存储需求是一个非常重要的因素。由于PDC是一个32×64的二值矩阵，一个PDC编码所需的存储量为(32×64)÷8＝256字节，而一个FusionCode需要384字节。可见，PDC算法比FusionCode算法所需存储量要小很多。
F.处理速度对联机生物识别系统来说，处理速度至关重要。所有实验是在Intel PentiumII处理器(500MHz)的个人电脑上用Visual C++编程实现的，下表列出了PDC算法的预处理、特征提取以及匹配所需的平均时间。从该表知，进行一次身份验证的平均响应时间为0.6秒，而进行一次身份辨识则需要大约(595+1.3×N)/1000秒(N是模板的数目)，若模板数N取1000，则进行一次身份辨识所需时间小于2秒，这完全能够满足一个实时生物识别系统的要求。
PDC算法的处理速度
权利要求
1.一种基于差分运算的高精度掌纹识别方法，其特征是(1)掌纹图像预处理在CCD的掌纹采集仪器上安装用于限制手掌的平移和旋转的小柱子，使得手指分开，在食指和中指、无名指和小指之间形成两个孔洞，通过计算图像中这两个孔洞的切线来校正手掌图像，然后裁切位于手掌图像中央的大小为128×128像素的矩形图像块来进行特征提取和匹配；(2)特征提取-建立掌纹差分编码PDC假设I为一幅掌纹图像，首先用参数为σ的2D Gaussian滤波器Gσ对图像进行过滤，如式(1)Is＝I*Gσ(1)Is在水平方向上的差分(Isx)和竖直方向上的差分(Isy)可以通过如下公式计算Isx=Is*-11---(2)]]>Isy=Is*-11---(3)]]>这里，“*”是卷积运算；然后，根据Isx和Isy中各点值的正负符号来对掌纹进行编码，公式如下Cx(i,j)=1,Isx>0;0,otherwise.---(4)]]>Cy(i,j)=1,Isy>0;0,otherwise.---(5)]]>C=CxCy]]>被称作掌纹差分编码(palmprint differential code，简称为PDC.)；(3)掌纹匹配假设C1=C1xC1y]]>和C2=C2xC2y]]>代表两幅掌纹I1和I2的PDC码，对于任一点(i，j)，如果C1x(i，j)等于C2x(i，j)，且C1y(i，j)等于C2y(i，j)，那么，(i，j)称为C1与C2的匹配点，显然，匹配点越多，C1和C2的相似度越高。Hamming距离被定义为两个字符串在相应位置上不同字符的数目。为衡量C1和C2之间的相似性，可设计一个改进的Hamming距离如下 这里“”和“”分别代表逻辑“异或”和“或”运算，C1和C2的匹配度可通过D(C1，C2)来计算S(C1,C2)=1-D(C1,C2)32×32---(8)]]>
2.根据权利要求1所述的基于差分运算的高精度掌纹识别方法，其特征是将C1x和C1y在水平和竖直方向平移若干个像素得到平移后的C1，然后，在每个平移位置上计算C1和C2的匹配度，将所有这些匹配度中的最大值作为最终匹配度。
3.根据权利要求2所述的基于差分运算的高精度掌纹识别方法，其特征是特征提取过程中包括在PDC的建立过程中，选择σ＝0.5，Gσ的尺寸为4×4，则此时二维高斯滤波器为G0.5=0.00010.00440.00440.00010.00440.24110.24110.00440.00440.24110.24110.00440.00010.00440.00440.0001---(6)]]>
4.根据权利要求3所述的基于差分运算的高精度掌纹识别方法，其特征是在计算PDC之前，掌纹图像的大小由128×128像素缩放到32×32像素，PDC的尺寸为32×64。
全文摘要
本发明提供的是一种基于差分运算的高精度掌纹识别方法。它包括(1)掌纹图像预处理；(2)特征提取－建立掌纹差分编码PDC；(3)掌纹匹配。本发明通过差分运算来描述图像灰度的变化。首先，利用二维高斯滤波器对掌纹图像进行平滑。然后，对平滑后的图像进行两次差分运算。最后，根据差分结果的正负符号对掌纹进行编码。这种编码称为palmprint differential code(PDC)。PDC算法能够有效地区分不同的掌纹，是一种实时的高精度身份识别方法，其识别精度比目前最好的掌纹识别方法还高出很多。
文档编号G06K9/00GK1924891SQ200610010548
公开日2007年3月7日 申请日期2006年9月15日 优先权日2006年9月15日
发明者邬向前, 张大鹏, 王宽全 申请人:哈尔滨工业大学