掌形图形提取及识别方法
【专利摘要】本发明提供了掌形图形提取方法，包括：根据当前掌形图像提取图像边缘信息的概率密度估计值。获取前景概率密度估计值及背景概率密度估计值。根据前景概率密度估计值及背景概率密度估计值获取当前掌形图像的后验概率图谱。通过图像后验概率图谱获取掌形边缘信息。根据前景图像的后验概率图谱及掌形边缘信息，对当前掌形图像中的掌形区域进行图像分割，提取当前掌形图像。解决了现有图像分割技术难以满足针对移动终端的掌纹辨识技术的需要。从而，既保证了切割得准确率也具有较低的计算复杂度，该方法的切割准确率可以达到90％以上，并可在嵌入式移动终端应用，切割速度在500ms以内。
【专利说明】掌形图形提取及识别方法
【技术领域】
[0001] 本发明涉及图像识别【技术领域】，尤其涉及掌形图形提取及识别方法。
【背景技术】
[0002] 随着社会和经济的不断发展，人们对身份鉴别的准确性、安全性与实用性提出了 越来越高的要求。传统的身份鉴别方法，如钥匙、密码以及智能卡等，存在容易丢失、遗忘、 被复制及盗用的隐患。而生物识别技术（biometrics)为身份认证提供了一个方便可靠的 解决方案。生物识别技术是指根据人的生理特征（如语音、指纹、掌纹、面部特征、虹膜等） 或行为特征（如步态、签名、击键特征等）来进行身份鉴别的技术。生物识别技术以人的生 物特征为基础，以信息处理技术为手段，具有安全性、有效性和易用性等特点，因此受到人 们越来越多的重视。掌纹识别是近些年来新兴的一种生物识别技术。与其它生物特征识别 技术相比，掌纹识别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，只需要较低分辨率的采集设备就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；相比于虹膜，掌纹采集设备的价格更为低廉；相比 于签名，掌纹的特征更加稳定可靠。因此，掌纹识别是一种有着广泛应用前景的生物识别方 法，近年来得到了研究人员的广泛关注。而手掌图像的分割在掌纹识别方法中是必不可少 的步骤，其分割效果直接关系到整个识别系统的性能。然而，由于图像采集条件的变化，例 如图像采集时的光照、视角、摄像设备的不确定性都可能影响最终的识别效果。因此如何快 速准确的对手掌图像进行分割是掌纹识别中至关重要的一步。
[0003] 目前，已经存在很多复杂环境下的图像分割技术，但是针对移动设备的、可以实际 应用的手掌分割技术还较少。现有的应用于嵌入式的掌纹图像分割技术主要有两种，一种 是利用外部遮挡部件简化图像背景，一种是利用特有的传感器设计简化图像内容。这两种 技术均不适用于针对通用移动设备（例如，手机，平板电脑等）的掌纹识别技术。而移动 设备的计算性能又对手掌切割算法的复杂度提出了较高的要求，要求手掌切割算法既要能 够应对各种复杂的环境，又要实现简单，具有较低的计算复杂度，以满足普通用户快速身 份识别与认证的需求。例如，目前在计算机领域内应用比较广泛的LevelSet,GraphCut, Bag-of-Word等图像分割技术可以针对各种复杂的图像内容获得较好的切割效果，但是这 些方法普遍存在计算复杂度高，训练样本高等特点，难以在目前的嵌入式设备中取得良好 的应用。而经典的基于高斯混合模型分类，Otsu算法虽然计算简单，但是在面对复杂的图 像内容时常常无法获得准确的图像分割结果。
[0004] 近年来随着理论研究的深入，概率模型方法已经逐渐地深入到了计算机视觉的各 个领域，并且取得了很大的成功。与传统的图像分割方法相比，概率模型方法假设模型中 的参数均为随机变量，并赋予先验概率分布，然后通过采样或逼近的方法获得参数的后验 概率分布。概率模型方法主要有以下几个特点：（1)模型中的参数均被假设为随机变量并 被赋予概率分布，从而可以达到对模型的不确定性进行建模的目的，增强了算法的鲁棒性。 (2)通过参数和模型的后验概率分布可以对其进行贝叶斯推理，为模型参数的增加与裁剪 提供了坚实的理论依据，方便进行模型选择。（3)贝叶斯框架可以方便地引入先验知识，而 先验概率分布也使得先验知识以不确定性的方式进入到模型当中，并通过数据加以修正。
[0005] 由以上分析可以看出，传统的图像切割方法由于适用性的约束，还难以应用于复 杂环境下手掌的定位与分割，而近来提出的一些先进的图像分割方法由于计算复杂度的约 束也还不能马上在移动设备上获得应用。而近年来在计算机视觉领域的概率模型方法可以 在适用性与计算复杂度两方面获得均衡，因此，有必要进一步研究基于概率模型框架的，面 向移动终端和复杂背景环境下的手掌图像分割方法，从而扩大掌纹识别技术的应用领域和 范围。
【发明内容】
[0006] 针对现有图像分割技术难以满足针对移动终端的掌纹辨识技术的需要，本发明的 目的是提供掌形图形提取方法，包括：
[0007] 步骤S101，根据当前掌形图像的混合概率模型提取图像边缘信息的概率密度估计 值；
[0008] 步骤S102,通过混合模型对前景图像的颜色信息进行概率密度估计获取前景概率 密度估计值；
[0009] 步骤S103,通过混合模型对背景图像的颜色信息进行概率密度估计获取背景概率 密度估计值；
[0010] 步骤S104,根据所述前景概率密度估计值及背景概率密度估计值获取所述当前掌 形图像的后验概率图谱；
[0011] 步骤S105,通过所述图像后验概率图谱获取掌形边缘信息；
[0012] 步骤S106,根据前景图像的后验概率图谱及所述掌形边缘信息，对所述当前掌形 图像中的掌形区域进行图像分割，提取当前掌形图像。
[0013] 在本发明的一种实施方式中，所述步骤SlOl前还包括：
[0014] 步骤S1001，采集当前掌形图像；
[0015] 步骤S1002,根据所述当前掌形图建立当前掌形图像的混合概率模型。
[0016] 在本发明的一种实施方式中，所述步骤SlOl包括：
[0017] 步骤S1011，根据当前掌形图像的输入彩色RGB图像I(x，y)及下述公式1获取边 缘信息G(x,y);
[0018]
【权利要求】
1. 掌形图形提取方法，其特征在于，包括： 步骤S101，根据当前掌形图像的混合概率模型提取图像边缘信息的概率密度估计值； 步骤S102,通过混合模型对前景图像的颜色信息进行概率密度估计获取前景概率密度 估计值； 步骤S103,通过混合模型对背景图像的颜色信息进行概率密度估计获取背景概率密度 估计值； 步骤S104,根据所述前景概率密度估计值及背景概率密度估计值获取所述当前掌形图 像的后验概率图谱； 步骤S105,通过所述图像后验概率图谱获取掌形边缘信息； 步骤S106,根据前景图像的后验概率图谱及所述掌形边缘信息，对所述当前掌形图像 中的掌形区域进行图像分割，提取当前掌形图像。
2. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤SlOl前还包括： 步骤S1001，采集当前掌形图像； 步骤S1002,根据所述当前掌形图建立当前掌形图像的混合概率模型。
3. 根据权利要求1或2所述的掌形图形提取方法，其特征在于，所述步骤SlOl包括： 步骤S1011，根据当前掌形图像的输入彩色RGB图像I (x，y)及下述公式1获取边缘信 息 G(x, y);
步骤S1012,根据高斯混合概率模型对当前掌形图像的边缘梯度G (X，y)进行概率密度 估计获取概率密度估计值：
4. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤S102包括： 根据前景图像的初选模板提取目标图像的彩色信息，利用混合概率模型对初选目标图 像的色彩概率密度进行估计，获取前景图像的色彩空间的条件概率分布； 根据所述条件概率分布获取的前景图像的色彩空间的混合概率密度，计算各个混合分 量之间的贝叶斯分类误差； 根据所述贝叶斯分类误差和预估手掌位置处的色彩值合并或去除多余混合分量，获取 前景概率密度估计值。
5. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤S103包括： 选取背景图像色彩空间中的一个或几个点作为种子点，估计色彩空间的概率分布，将 其作为初始步的概率密度； 以初始步的混合分量作为初始分布，以每个混合分量作为种子分布，随机产生2个或2 个以上混合分量，更新估计背景图像的条件概率分布； 通过遍历所有设定步的混合分量，更新估计背景图像的概率分布，选取后验概率最大 的一组分量作为当前步的混合概率分布，根据该混合概率分布获取背景概率密度估计值； 若当前混合分量比例n的后验概率分布p(n)，为当前步得到的混合概率分布密度，则不 是否保留当前混合分量。
6. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤S104包括： 步骤S1041 :统计前景图像和背景图像所占图像的比例，分别计算先验概率P(Qf)和 P(^b)0 步骤S1042 :基于所述前景图像和背景图像的概率分布和先验概率，利用贝叶斯公式 计算图像中每个点的后验概率，构成所述当前掌形图像的后验概率图谱：
其中，P(I(x，y) I ?f)和P(I(x，y) I ?b)分别为所述前景概率密度估计值及所述背景概 率密度估计值。
7. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤S105包括， 步骤1051，通过所述图像后验概率图谱获取，前景图像的概率密度图谱梯度及背景图 像的概率密度图谱梯度； 步骤1052,根据所述前景图像的概率密度图谱梯度及背景图像的概率密度图谱梯度值 获取边缘能量图谱Gp(x，y); 步骤1053,若所述边缘能量图谱Gp(x，y)是否大于设定阈值的幅值，则根据边缘能量图 谱Gp (x，y)确定为掌形边缘信息。
8. 根据权利要求1所述的掌形图形提取方法，其特征在于，所述步骤S106包括， 步骤S1061，根据前景及背景图像的后验概率图谱，获取前景及背景图像的后验概率； 步骤S1062,根据所述前景及背景图像的后验概率对所述当前掌形图像进行二值化处 理： B (x, y) = max (P ( ^ f 11 (x, y)), P ( Q b 11 (x, y))) 步骤S1063,将所述二值化后的图像B(x，y)与二值化的边缘能量图谱Gp(x，y)进行与 操作，对所述当前掌形图像中的掌形区域进行图像分割，提取当前掌形图像。
9. 掌形图形识别方法，其特征在于，将根据权利要求1所述的掌形图形提取方法所识 别出的当前掌形图像，与待识别掌形图像进行匹配，根据匹配结果，对当前掌形图像进行识 别。
【文档编号】G06K9/46GK104361339SQ201410709472
【公开日】2015年2月18日 申请日期:2014年11月27日 优先权日:2014年11月27日
【发明者】曲寒冰, 李济朝, 李彬, 靳薇, 王加强 申请人:北京市新技术应用研究所, 北京北科慧识科技股份有限公司