基于Gabor和混沌映射的掌纹特征生成及认证方法与流程

本发明属于身份识别认证领域，特别涉及基于gabor和混沌映射的掌纹特征生成及认证方法。

背景技术

随着经济全球化和信息化的发展，信息安全问题将引起更为广泛的关注。信息安全关系到国家的安全；对组织机构来说，信息安全关系到正常运作和持续发展；就个人而言，信息安全是保护个人隐私和财产的必然要求。身份识别(identification)与认证(verification)技术已成为信息安全与隐私保护的重要基础，并得到了快速普及和推广。为此，对各种身份识别与认证系统的性能也提出了越来越高的要求。

身份鉴别早已经应用到人们日常生活的许多方面，例如钥匙、银行卡密码、用户名和密码等。这些传统的身份鉴定方法存在着明显的问题：个人持有的物品容易丢失或者伪造，密码容易遗忘等。目前最为便捷与安全的解决方案无疑就是生物识别技术，由于生物特征唯一性和不变性，与传统的身份认证技术相比，使得生物特征识别与传统的方法如数字密码和身份证相比，具有更高的安全性和易用性。

掌纹识别是近几年提出的一种较新的生物特征识别技术。掌纹是指手指末端到手腕部分的手掌图像。掌纹中含有丰富的特征都可以用来进行身份识别：如主线、皱纹、细小的纹理、脊末梢、分叉点等。掌纹识别也是一种非侵犯性的识别方法，用户比较容易接受，对采集设备要求不高。但是掌纹图像是稀有资源，一个人只有两个手掌，大部分人的手掌具有对称性，并且随着年龄的增长,掌纹的基本纹路结构并不在发生变化。一旦人的掌纹特征被泄露或者盗用，直接后果就是人的这些生物特征将不能再直接用于安全系统中身份匹配识别和身份认证。

技术实现要素：

本发明要解决的技术问题是，提供基于gabor和混沌映射的掌纹特征生成及认证方法，利用gabor滤波和混沌映射来生成掌纹特征矩阵并构建掌纹认证数据库，进而利用距离匹配进行掌纹特征认证。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于gabor滤波和混沌映射的掌纹特征生成方法，包括以下步骤：

s1：获取原始掌纹图像，提取出所述原始掌纹图像的roi图像；

s2：使用多方向gabor滤波器组对所述roi图像进行滤波处理，然后再进行归一化处理；

s3：产生一个与步骤s2所得矩阵大小相同的混沌矩阵，并对所述混沌矩阵进行归一化处理；

s4：将经步骤s2处理所得矩阵与经步骤s3处理所得矩阵进行逐值比较并编码得到编码矩阵，所述编码矩阵作为步骤s1中原始掌纹图像的掌纹特征矩阵。

在上述技术方案中，利用gabor变换可以模拟哺乳动物的视觉皮质细胞，具有对图像的光照与对比度等变化鲁棒性强等特点，能够提高掌纹特征获取的精度，使得所得到的掌纹特征矩阵与原始掌纹图像能够紧密对应，有利于提高掌纹特征矩阵生成过程的精确度和速度，也有利于提高利用掌纹特征矩阵进行掌纹认证的精确度和速度；混沌矩阵具有对初始条件和控制参数的敏感性，混沌轨道的伪随机性和不可预测性、遍历性、混合性等优点，所使用的混沌矩阵具有良好的随机统计特性，因而其可以作为生成掌纹特征矩阵的密码，在需要时可通过改变混沌矩阵来撤销和重复发布掌纹特征矩阵，而且即使混沌矩阵泄露，仅根据掌纹特征矩阵也难以还原原始掌纹图像或者原始掌纹图像的roi图像，从而能够保护掌纹隐私，因而本发明能够提高掌纹以及由其形成的掌纹特征矩阵的安全性和隐私性。

作为改进，步骤s1具体为：将所述原始掌纹图像进行二值化处理得到二值图像，在所述二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点，以所述两角点的连线作为纵轴，从所述两角点的中点向所述纵轴作垂线，将所述垂线作为横轴，以所述纵轴和横轴的交点作为坐标原点，所述坐标原点与所述纵轴、横轴形成新坐标系，在新的坐标系下，在所述原始掌纹图像上截取掌纹矩形区域作为所述roi图像。对原始掌纹图像进行二值化以及截取等操作有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。

作为改进，所述混沌矩阵由分段线性映射迭代产生，它是混沌映射中形式最简单的映射，在实现上和速度上都具有一定的优势，其公式如下：

其中，x∈[0,1]。

作为改进，所述多方向gabor滤波器组为六方向gabor滤波器组，选择六个方向的gabor滤波器能得到更加精确的纹理方向信息并减少量化误差。

作为改进，步骤s2中进行滤波处理所用到的gabor公式为：

其中μ是正弦波频率，θ用于控制函数的方向，σ是gaussian包络的标准差；此gabor公式包含实部和虚部，进行滤波后图像会平滑，也适合纹理表达和分离，而且此公式的实现方式相对简单，且能得到很好的效果。

本发明还提供了一种基于gabor滤波和混沌映射的掌纹特征认证方法，包括以下步骤：

s11：构建掌纹认证数据库，所述掌纹认证数据库包含有一定数量的掌纹特征矩阵，每个所述掌纹特征矩阵均通过权利要求1得到；

s22：获取待认证掌纹图像，通过权利要求1得到所述待认证掌纹图像的掌纹特征矩阵；

s33：采用与权利要求1中gabor滤波器方向数相同的多方向距离匹配算法将步骤s22所得到的掌纹特征矩阵与步骤s11中的掌纹认证数据库进行匹配，并对各个方向的匹配分数采用和的策略进行匹配分数层融合，并利用融合后所得到的匹配分数进行认证决策。

在上述技术方案中，由于作为掌纹认证数据库中元素的各个掌纹特征矩阵可以撤销和重新发布，因而掌纹认证数据库中整体或者部分也可以撤销和重新发布，从而掌纹认证数据库本身具有良好的安全性和隐私性；而待认证掌纹图像的掌纹特征矩阵的获取过程同样具有良好的安全性和隐私性，从而整个掌纹认证过程的安全性和隐私性得到提高；由于待认证掌纹图像的掌纹特征矩阵同样是基于gabor变换得出的，因而能够提高待识别掌纹图像的掌纹特征获取的精度，从而提高掌纹认证精确度和认证速度，采用距离测度具有直观、易于理解、便于实现的优点。

作为改进，所述距离匹配算法为hamming距离匹配算法，可以减少匹配识别计算时的复杂度,适用于实时的匹配。

综上，本发明基于gabor滤波和混沌映射的掌纹特征生成及认证方法能够提高掌纹特征生成和认证过程的安全性和隐私性，也能够提高掌纹特征生成和认证过程的精确度和速度。

附图说明

图1至图3是本发明实施例二中所得到的掌纹roi图像示例。

图4至图6是本发明实施例二中所得到的的掌纹特征矩阵示例。

图7是本发明实施例二中的错误接受率(far)和错误拒绝率(frr)的分布图。

图8是本发明实施例二中在图7基础上的错误接受率(far)和真正接受率(gar)的曲线图(roc曲线)。

图9是本发明实施例三中的错误接受率(far)和错误拒绝率(frr)的分布图。

图10是本发明实施例三中在图9基础上的错误接受率(far)和真正接受率(gar)的曲线图(roc曲线)。

具体实施方式

本发明一种基于gabor滤波和混沌映射的掌纹特征生成方法，包括以下步骤：

s1：获取原始掌纹图像，提取出所述原始掌纹图像的roi图像；

s2：使用多方向gabor滤波器组对所述roi图像进行滤波处理，然后再进行归一化处理；

s3：产生一个与步骤s2所得矩阵大小相同的混沌矩阵，并对所述混沌矩阵进行归一化处理；

s4：将经步骤s2处理所得矩阵与经步骤s3处理所得矩阵进行逐值比较并编码得到编码矩阵，所述编码矩阵作为步骤s1中原始掌纹图像的掌纹特征矩阵。

本发明一种基于gabor滤波和混沌映射的掌纹特征认证方法，包括以下步骤：

s11：构建掌纹认证数据库，所述掌纹认证数据库包含有一定数量的掌纹特征矩阵，每个所述掌纹特征矩阵均通过权利要求1得到；

s22：获取待认证掌纹图像，通过权利要求1得到所述待认证掌纹图像的掌纹特征矩阵；

s33：采用与权利要求1中gabor滤波器方向数相同的多方向距离匹配算法将步骤s22所得到的掌纹特征矩阵与步骤s11中的掌纹认证数据库进行匹配，并对各个方向的匹配分数采用和的策略进行匹配分数层融合，并利用融合后所得到的匹配分数进行认证决策。

下面通过具体实施例对本发明进行进一步说明。

实施例一：

首先进行基于gabor滤波和混沌映射的掌纹特征生成，包括以下步骤：

(1)采取合适的方式(例如扫描)获取原始掌纹图像，对原始掌纹图像进行预处理，将所述原始掌纹图像进行二值化处理得到二值图像，在所述二值图像中提取手掌外边缘轮廓并检测食指、中指之间和无名指、小指之间形成的角点(手指与手指之间的凹陷处即为角点)，以所述两角点的连线作为纵轴，从所述两角点的中点向所述纵轴作垂线，将所述垂线作为横轴，以所述纵轴和横轴的交点作为坐标原点，所述坐标原点与所述纵轴、横轴形成新坐标系，在新的坐标系下，在所述原始掌纹图像上截取大小为128×128像素的掌纹区域作为所述roi图像；

(2)使用六方向gabor滤波器组对所述roi图像进行滤波处理，滤波处理所用到的gabor公式为：

其中μ是正弦波频率，θ用于控制函数的方向，σ是gaussian包络的标准差，在本实施例中，μ＝0.091、经过滤波处理后再进行归一化处理，归一化公式为：x'＝(x-min)/(max-min)，其中min为最小值，max为最大值，x为原始数值，x′为归一化后的值；

(3)产生一个与经步骤(2)处理所得矩阵大小相同的混沌矩阵；该混沌矩阵由分段线性映射迭代产生，初始值作为密钥可以由用户随机设定，其公式如下：

其中，x∈[0,1]，混沌矩阵产生后对其进行归一化处理，归一化公式为x'＝(x-min)/(max-min)，其中min为最小值，max为最大值，x为原始数值，x′为归一化后的值；

(4)将经步骤(2)处理所得矩阵与经步骤(3)处理所得矩阵进行逐值比较并编码得到编码矩阵，所述编码矩阵作为步骤(1)中原始掌纹图像的掌纹特征矩阵；在本实施例中采用的编码公式如下：

其中，p'表示经过步骤(2)处理所得矩阵；r表示经过步骤(3)处理所得矩阵，经过编码后的0,1特征矩阵大大减小了识别过程中的计算量。

对于任一原始掌纹图像，经过步骤(1)至步骤(4)便可产生一个与该原始掌纹图像对应的采用0,1编码的掌纹特征矩阵，且在需要时可以撤销已有的掌纹特征矩阵，利用新产生的混沌矩阵经步骤(1)至步骤(4)来重新产生一个新的掌纹特征矩阵。

所生成的掌纹特征矩阵具有诸多应用，例如可以用于下面的掌纹识别认证，并进而用于身份识别认证。

在确定了掌纹特征矩阵的上述生成方法后，便可利用上述方法进行掌纹特征的认证，掌纹特征认证包括以下步骤：

(5)构建掌纹认证数据库，掌纹认证数据库中包含有一定数量的掌纹特征矩阵，每个所述掌纹特征矩阵均对应一个原始掌纹图像，且掌纹认证数据库中的每个掌纹特征矩阵均是由其所对应的原始掌纹图像经过前述的步骤(1)至步骤(4)得到的；产生各个掌纹特征矩阵过程中所用到的各个混沌矩阵均是由用户单独设定初始值(即初始密钥)产生的；对于同一个人，可以多次获取其掌纹roi图像，且这多个roi图像可以取自不同的区域；不同个人之间所截取的roi图像所在区域也是可以不同的；对于同一个人的各个掌纹roi图像，可以采用相同的初始密钥(仅该个人知晓)所产生的相同的混沌矩阵来获取该个人的每个掌纹特征矩阵；

这些一定数量的原始掌纹图像来自于某个人类群体；在不同的场景中，人类群体可能是不同的；

(6)对于任一待认证个人，分为如下情况：

(6.1)若该待认证个人之前已经进行过掌纹特征矩阵生成且生成的掌纹特征矩阵已存在于步骤(5)中的数据库中，那么根据步骤(3)的过程，该个人在进行掌纹特征生成时会自己设定一份初始密钥，且该初始密钥仅为其所知，因而在进行该个人的掌纹认证时，一方面获取该个人的原始掌纹图像(与该个人之前用于构建掌纹认证数据库所采集的原始掌纹图像可能不同)作为待认证掌纹图像，另一方面该用户再次使用上述初始密钥产生混沌矩阵，本次生成的混沌矩阵与其之前进行用于掌纹认证数据库的掌纹特征生成过程中所用到的混沌矩阵是相同的，然后利用待认证掌纹图像以及再次生成的混沌矩阵按照步骤(1)至步骤(4)的过程得到该待认证掌纹图像的掌纹特征矩阵，然后进行下面的步骤(7)；

(6.2)若该待认证个人之前未进行过掌纹特征生成且生成的掌纹特征矩阵存在于步骤(5)中的数据库中，则其不具有上述的初始密钥，也就无法进行(6.1)中的“再次使用初始密钥生成混沌矩阵”的过程；或者也可以获取其原始掌纹图像作为待认证掌纹图像，同时该待认证个人临时使用一份初始密钥产生一个混沌矩阵，再通过步骤(1)至步骤(4)的过程得到该待认证掌纹图像的掌纹特征矩阵，然后进行下面的步骤(7)；

(7)采用六方向hamming距离匹配算法将步骤(6.1)或(6.2)所得掌纹特征矩阵与步骤(5)所构建的掌纹认证数据库中的各个掌纹特征矩阵进行六个方向的距离匹配，在每次匹配过程中均对各个方向的匹配分数采用和的策略进行匹配分数层融合，并利用融合后所得到的匹配分数进行认证决策；所谓匹配分数层融合即是将(6.1)或(6.2)所得到的掌纹特征矩阵与(5)中的掌纹认证数据库中存储的各个掌纹特征矩阵采用异或的方式进行计算匹配，得到多个方向的匹配分数，然后对得到的各个方向的匹配分数采用和的策略进行匹配分数层融合；所谓的认证决策可以采用如下方式：设定一个认证分数范围，假如某次匹配所得到的融合后的匹配分数落入该认证分数范围，则掌纹认证通过；未落入该匹配阈值范围则掌纹认证不通过；该认证决策方式为优选。

对于上述的认证分数范围，可以采用如下方式得到：针对步骤(5)所构建的掌纹认证数据库，在该掌纹认证数据库所包含的群体中选取一定比例的人群按照步骤(6.1)和(7)进行掌纹特征矩阵匹配训练，也就是说此时的步骤(6.1)和(7)和实际认证所进行的步骤(6.1)和(7)所采用的程序基本一致，只不过前者是针对上述选取的样本人群进行的且到“获取融合后所得到的匹配分数”这一步为止，后者是针对任一待认证个人进行的实际认证过程；然后对于这些选定的样本人群来说，根据他们的融合后的匹配分数分布情况来划定分数范围，进而将该分数范围推广到所构建的整个掌纹认证数据库所包含的群体，该分数范围即为所需要的用于认证决策的认证分数范围；本方式是处于步骤(5)之后并在实际认证所进行的步骤(6.1)之前的，本方式中的样本选取比例可以达到100％，也就是掌纹认证数据库所包含的群体全部再进行一次匹配训练，这样可以直接根据所得到的匹配分数分布情况来直接确定所需要认证分数范围；利用本方式来获取认证分数范围的过程不需要太多工作量且具有高准确度，但本方式仅是优选，还可以采取其他合适的方式来获取认证分数范围。

(6.1)所产生的掌纹特征矩阵是符合掌纹认证通过的条件的，而(6.2)中使用临时的原始掌纹图像和临时初始密钥来产生掌纹特征矩阵，因而该掌纹特征矩阵与掌纹认证数据库中各个掌纹特征矩阵之间的匹配均不符合掌纹认证通过条件。

对于步骤(5)所构建的掌纹认证数据库来说，每个原始掌纹图像的掌纹特征矩阵都是可以撤销和重新生成的，因而该掌纹认证数据库的部分掌纹特征矩阵或者数据库整体都是可以撤销和重新生成的。在遭受攻击和威胁时可通过改变混沌矩阵来撤销原掌纹特征矩阵，并发布新的掌纹特征矩阵，从而也就可以再次构建新的掌纹特征认证数据库并进行掌纹识别认证，使得利用本发明来进行掌纹特征生成和认证具有良好的安全性和隐私性。

在上述掌纹认证过程中，既需要用到原始掌纹图像，又需要用到混沌矩阵或者产生混沌矩阵的初始密钥，且混沌矩阵或者初始密钥可以作为掌纹认证的密码。

上述的掌纹认证方法具有诸多应用，例如可以用于基于掌纹认证的身份识别认证领域或者可以由其构建门禁系统等。

实施例二：

实施例二是实施例一的计算机仿真实验，仿真实验中用到的原始掌纹图像均是来自香港理工大学公开的免费掌纹数据库并以此来构建掌纹认证数据库，该数据库中共包含600张大小为384×284的掌纹图像，采自于100个人，每人6张。每个人的6张掌纹图像采自于两个不同的时期，时间间隔是两个月。实施例二中所用到的方法步骤与实施例一相同，实验中所获得的部分掌纹roi图像如图1至图3所示，部分掌纹特征矩阵如图4至图6所示。

在实施例二中，同一个人的6个掌纹特征进行匹配为类内匹配，不用人之间掌纹特征进行匹配为类间匹配。实验总共进行了179700次匹配，其中1500次为类内匹配，178200次为类间匹配。frr(falserejectionrate)和far(falseacceptancerate)是用来评估掌纹识别算法性能的两个主要参数，frr和far有时也被用来评价一个掌纹识别系统的性能。图7是本实验中的frr和far在不同匹配阈值下的曲线图，横坐标为匹配阈值(matchingdistance)，纵坐标为far或frr值，虚线是六个方向融合时的frr曲线，实线是六个方向融合时的far曲线。从图7可以看出far和frr在不同的阈值下的分布情况，当匹配阈值为[0.28,0.445]之间时，far和frr均为零，在此阈值区间内识别性能最佳；从图8可以看出我们得出的roc曲线为一条直线，说明识别率是100％，得到了很好的识别效果。通过本实施例可以看出，确实可以通过匹配训练的方式来得到前述的认证分数范围，进而将其应用于实际认证，例如将本实施例中所构建的掌纹认证数据库作为某种场景下的实际的掌纹认证数据库的话，可以设定[0.28,0.445]为匹配训练后所得到的认证分数范围。

实施例三：

实施例三同样是实施例一的计算机仿真实验，实施例三与实施例二的不同之处在于，实施例三在构建掌纹认证数据库过程中不同人的原始掌纹图像均使用同一个混沌矩阵来获取掌纹特征矩阵，从而来验证本发明的安全性。在这种情况下的far、frr曲线如图9所示。从图中我们可以看出当匹配阈值为0.243时far、frr相交都为0.035，此时为最佳性能，安全性依然很强。从图10中我们能看出，错误接受率为0.0026时，真正接受率为0.9113，在错误接受率为0.0051时，真正接受率为0.9647；即使本实施例中所使用的单一的混沌矩阵被泄露，本发明的稳定性和安全性仍然很强。

上述具体实施方式的施行所用到的软硬件设施除特别说明外可以根据需要采用现有技术，例如计算机、数学软件、掌纹扫描装置等，也可以采取其他合适设施，这并不是对本发明进行限制。