一种基于局部和全局特征融合的掌纹识别方法
【技术领域】
[0001] 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】
[0002] 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 另IJ，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。
[0003] 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】
[0004] 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。
[0005] 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：
[0006] 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；
[0007] 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；
[0008] 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。
[0009] 本发明的特点还在于，
[0010] 步骤1包括以下步骤：
[0011] 步骤I. 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：
[0012] 二维离散Gabor滤波器的原形为：
[0014] 将Gabor核函数去掉直流分量，由此得到一个改进的Gabor函数：
[0016] 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，2η+1是滤波器的模板宽度；
[0017] 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（I^b1)，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：
[0020] 步骤1. 2 :采用MFRAT提取掌纹的主线特征，具体方法为：
[0021] 给定网格Zp= {0, l，...，p-l}，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：
[0023] 公式（5)中，k= 1，2，...，N，N为方向个数，C为一个控制r[Lk]范围的常量，1^表 示在网格,与: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：
[0024] Lk= {(i, j) : j = k (i-i 〇) +j〇, i e Zp} (6)
[0025] 公式（6)中，（i。，j。）是网格的中心点，k是直线Lk的斜率；
[0026] 在MFRAT中，网格< 的中心点f(i。，j。）的方向Θ k和能量e的计算公式如下：
[0028] 公式（7)中，arg是角度运算，Θ k为对应于斜率k的角度；
[0029] 设大小为mXn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 表不为：
[0031] 由公式⑶确定阈值T ;
[0032] 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 ;
[0033] 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：
[0034] Line_image = 0 若 Energy_image < T (9)
[0035] Line_image = 1 若 Energy_image 多 T
[0036] 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；
[0037] 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；
[0038] 步骤1. 3 :基于BDPAC提取掌纹的整体特征，具体方法为：
[0039] BDPCA是基于图像矩阵的主成分分析法，具体方法如下：
[0040] 设掌纹感兴趣区域训练样本图像有M个mXn维的图像样本I1, I2，…，IM，第j个训 练样本图像的图像样本矩阵1；^以用η个mX 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：
(10)
[0042] 同样，可以将第j个训练样本图像的图像样本矩阵1,用m个IXn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：
Ul 为训练样本图像总体的均值矩阵，
[0045] 由矩阵G』勺前d i (山彡M)个最大特征值相对应的特征向量u i (i = 1，2, . . . (I1)组 成HiXd1的矩阵，就是列映射矩阵U，其中u i表示与G 1^的第i个最大特征值对应的特征向 量，同样，选取G。的前d 2 (d2< M)个最大特征值相对应的特征向量V i (i = 1，2,. . . d2)组成 η X d2的矩阵，就是行映射矩阵V，因此，图像矩阵I的大小为d i X d2维特征矩阵F ,为：
[0046] Fj=UtIV0 (12)
[0047] 步骤2包括以下步骤：
[0048] 步骤2. I :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：
[0049] 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，
[0050] 设P和Q为两个纹理特征向量，归一化的Hamming距离为：
[0052] 公式（13)中，Pr(Qr)和P1 (Q1)为纹理特征P(Q)的实部和虚部，为布尔运算符， NXN为纹理特征向量尺寸，i，j为图像中某个点的像素坐标值，
[0053] 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；
[0054] 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：
[0055] 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：
[0056] 假定A是