像；所述移动终端可例如 为手机或平板电脑等，均具有例如摄像拍照功能可W截取图像。
[0039] 请一并参阅图2,在一实施例中，本发明对所采集的掌纹图像进行关键区的划分， 所述掌纹图像可W是图片形式，亦可为其他媒体形式；进而再进行后续特征点选取的步骤； 在其中关键区域就是手掌纹络图中所包含生物特征最集中的、最容易提取生物特征信息 的、部分，也就是最容易用来辨识的区域。掌纹由乳突纹、皱纹和屈肌线Η种纹线组成。乳 突纹是手掌皮肤组织的凸凹结构显示在表面上的细小凹凸纹路，其具有唯一性和终身基本 不变性。皱纹是皮肤松弛活动形成的细小沟纹。其虽然横压在乳突纹上，但不损坏乳突纹 的结构。屈肌线是手掌关节长期的屈仲运动在一定部位上形成的固有的沟纹。该纹线主干 的分布和形态是终身不易改变。一个手掌可能有多条屈肌线，但占80%W上的人的手掌有 Η条主要屈肌线，分别命名为第一、第二和第Η屈肌线（即图示的al、a2、a3Η条线，俗称健 康线、感情线和生命线），由于屈肌线的稳定使得第一、第Η屈肌线的起点也有良好的稳定 性和旋转不变性，因此，定义送两个起点为掌纹的基准点，它们的中点为掌纹中必。由于基 准点稳定，我们采用基准点连线和它的中垂线把手掌分为Η个区域；指根部（又称上部）、 内侧部和外侧部（即图示I为指根部，II为内侧部，III为外侧部）；该划分方法如上图所 示。掌纹中的乳突纹可W在局部形成与指纹一样的Η角；在指根部，每个手指的根部均有一 组凸向掌必的横行弧线，常与来自两侧指间的纹线汇成Η角。在外侧部，腕部屈肌线上方有 一组横行的乳突纹，纹线内侧承巧着内侧部向内流的纹线，外侧承巧着外侧部向外流的纹 线，二者常在靠近腕部中央汇合成Η角。
[0040]步骤S2;在所述两份掌纹图像中分别选取多个特征点，其中，所述特征点与W其 为圆必的预设径长的圆周上各点间的灰度值之差大于一预设灰度阔值。
[0041] 请参阅图3a至3b，其中，图3b是图3a中A区域的放大图；承上所述，所述掌纹图 像中包括至少Η条屈肌线、W及通过所述至少Η条屈肌线与指末所在边缘所划分的至少Η 个区域，则在一实施例中，所述特征点取自于所述Η个区域内或者取自于所述Η条屈肌线 上，
[0042]掌纹的特征点应该是送样一些点；它们对光照不敏感，即使经过了旋转和平移， 它们也能很好的保持相对的稳定性。我们基于特征点周围的图像灰度值，检测候选特征点 周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够 大，则认为该候选点为一个特征点。
[0043]优选的，假设特征点为如图所示Ρ，郝么它所要满足的条件可来自于特征点选取公 式： 其中I(X)为所述圆周上任意一点的灰度值，I(Ρ)为所述 圆必的灰度，εd为所述预设灰度阔值，若Ν大于所述预设灰度阔值，则将Ρ选取作为特征 点，所述预设灰度阔值可例如设为圆周上各点的四分之Η或者平均值的四分之H，则认为P 是一个特征点。
[0044] 步骤S3;计算出在其中一份掌纹图像所选取的各特征点与在另一份掌纹图像所 选取的各特征点间欧氏距离小于预设值的一对或多对，W作为关联的特征点对。
[0045]请一并参阅图4,在一实施例中，即对所述对所述掌纹图片的特征点进行匹配，可W通过提取每个特征点的特征向量，并计算特征向量的欧氏距离，从中选取欧氏距离小于 预设值（例如其中的欧氏距离最小值，即真实距离最近的，若两份均是同一手掌的图像。则 可假设该特征点对是同一手掌上的相同位置）的"特征点对"作为关联匹配，W供进行后续 步骤，所谓欧氏距离，指的是多维空间中两个点之间的真实距离，图中例示性地给出连线的 多个特征点对;在判断欧氏距离时，可W把两份图像并排放置。
[0046] 步骤S4;平移所述两份掌纹图像至所述特征点对内的两特征点相对应。
[0047]在一实施例中，根据"特征点对"表征的平移距离（例如欧氏距离或并排放置的举 例），对掌纹进行平移；所述相对应可例如为使两特征点重合等。
[0048] 步骤S5;根据所述特征点对使所述两份掌纹图像相对转动预设次数且每次转动 预设角度；
[0049]在一实施例中，即对各个选取的特征点对分别进行对比，并且，通过加入多次转动 比对的方式，加强了在移动终端等存在位置变动的设备作掌纹比较上的识别容错率；所述 预设次数可例如为2-10次，所述预设角度可例如为1~10度等，当然此皆为例示，并非W 此为限。
[0050]步骤S6;在所述每次转动后均进行G油or小波算法进行所述特征点对的比较并输 出得分。
[0051]在一实施例中，G油or小波变换算法属于加窗傅立叶变换，G油or函数可W在频域 不同尺度、不同方向上提取相关的特征。另外Gabor函数与人眼的生物作用相仿，所W经常 用作纹理识别上，并取得了较好的效果。纹理是对图象的象素灰度级在空间上的分布模式 的描述，反映物品的质地，如粗糖度、光滑性、颗粒度、随机性和规范性等；掌纹也可W理解 成为一种纹理，因此可W将Gabor算法应用于掌纹识别中；将两份掌纹图像在不同方向、不 同频率上进行Gabor采样后，取得特征值，再对特征值进行比较，获得得分，表示两张掌纹 图片的相似程度。
[0052] 步骤S7 ;根据所述得分中最高值W判别两份掌纹图像的相似程度。
[0053] 在一实施例中，最大值作为比较的两张掌纹图像的得分；因为G油or算法有很强 的区分性，所W两张不同人的掌纹，平移和旋转后，得分不会超过同一个人的掌纹得分。
[0054] 优选的，在所述平移步骤之后，还包括；截取预设大小的图片W供执行所述转动； 所述预设大小小于之前所述采集到的图像大小，有利于节省所述计算比较占用的资源。
[0055] 如图5所示，本发明提供一种掌纹识别系统1，其原理及技术细节与前述方法大致 相同，因此W下不再进行赏述，所述系统包括；图像采集模块101，用于通过移动终端采集 相同尺寸的至少两份掌纹图像；特征点选取模块102,用于在所述两份掌纹图像中分别选 取多个特征点，其中，所述特征点与W其为圆必的预设径长的圆周上各点间的灰度值之差 大于一预设灰度阔值；特征点对关联模块103,用于计算出在其中一份掌纹图像所选取的 各特征点与在另一份掌纹图像所选取的各特征点间欧氏距离小于预设值的一对或多对，W 作为关联的特征点对；图像处理模块104,用于平移所述两份掌纹图像至所述特征点对内 的两特征点相对应，并根据所述特征点对使所述两份掌纹图像相对转动预设次数且每次转 动预设角度；比较模块105,用于在所述每次转动后均进行Gabor小波算法进行所述特征点 对的比较并输出得分，并根据所述得分中最高值W判别两份掌纹图像的相似程度。
[0056] 优选的，所述掌纹图像中包括至少Η条屈肌线、W及通过所述至少Η条屈肌线与 指末所在边缘所划分的至少Η个区域，所述特征点取自于所述Η个区域内。
[0057] 优选的，所述掌纹图像中包括至少Η条屈肌线、W及通过所述至少Η条屈肌线与 指末所在边缘所划分的至少Η个区域，所述特征点取自于所述所述Η条屈肌线上。
[0058] 优选的，所述特征点选取的公式为：
其中I(x)为所 述圆周上任意一点的灰度值，I(P)为所述圆必的灰度，￡d为所述预设灰度阔值，若N大于 所述预设灰度阔值，则将P选取作为特征点。
[0059] 优选的，所述系统还包括；截取单元，用于在所述平移单元作出所述平移后，截取 预设大小的图片W供执行所述转动。
[0060] 再请参阅图6,本发明还提供一种掌纹识别服务系统2,应用有如上所述的掌纹识 别系统1