专利名称：基于掌纹和人脸特征提取的身份识别方法
技术领域：
本发明涉及生物特征识别技术领域，特别涉及一种基于掌纹和人脸特征提取的身份识别方法。
背景技术：
信息技术的飞速发展推动了社会的进步，随之现代社会对信息技术又提出了更新和更高的要求。整个社会信息化和网络化，而信息化和网络化的高速发展，又对各种信息和系统的安全性提出了更高的要求。身份识别是强化信息和系统安全性的基本方法之一。人的生物特征具有唯一性，不会被盗，丢失或遗忘，也很难伪造或模仿，所以生物特征识别技术能有效地克服传统身份识别方法在系统和信息安全方面的缺陷。除了能实现身份验证之外，该技术还能实现身份的辨识，即从多个人中辨认出某人。这个特点使得生物识别技术的应用范围得到了极大的扩展。掌纹识别技术是近年来新兴的一种身份识别方法，和其他的同类技术相比，掌纹识别具有很多特点①跟指纹一样，手掌上布满了乳突纹，但手掌区域却比手指区域大得多，因而它含有比指纹更为丰富的可区分信息。②手掌上有几条大的主线和很多的褶皱线， 这是掌纹所独有的线特征，具有很强的区分能力和抗噪能力，并且可以在低分辨率低质量的掌纹图像中提取出来。③与虹膜以及视网膜相比，掌纹图像采集设备的价格低廉，并且更为方便，更容易被用户接受。④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，主线和褶皱线等特征可以融合在一起，形成一个高精度的识别系统。人脸识别技术是通过计算机分析人脸图像，从中提取出有效的识别信息，用来“辨认”身份的一门技术，人脸识别在可用性方面具有独到的技术优势，主要体现在①非接触式采集，没有侵犯性，容易被接受。②具有强大的方便性，快捷性以及强大的事后追踪能力。③ 图像采集设备成本低。④更符合人类的识别习惯，可交互性强。同时，上述两种识别方法又存在着各自的缺陷，在掌纹识别的过程中，存在着人的手掌的平移，旋转，平坦程度等不可控性因素，这样会使掌纹识别的正确率大幅下降。而人脸识别过程中，不同的光照条件，视角，距离变化等因素会极大地影响人脸图像的采集效果，从而降低识别性能。
发明内容
(一)要解决的技术问题本发明要解决的技术问题是如何融合手掌的纹理信息和人的脸部的结构信息， 提高识别率，以克服以往利用生物特征单一，能够利用的生物信息较少，并且由于受到各种外界因素的影响，例如光照等，而造成识别率低，误识率偏高等不足。( 二 )技术方案一种基于掌纹和人脸特征提取的身份识别方法，包括以下步骤
Sl 对掌纹图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵Y'和Yi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离 dfa,m = WYi-Y' ||，其中i为掌纹图像训练样本类别编号；S2:对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵H'和Hi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离= WHi -H' II，其中i为人脸图像训练样本类别编号；S3 将所述 //3-和 /广“按如下公式进行归一化处理
权利要求
1.一种基于掌纹和人脸特征提取的身份识别方法，其特征在于，包括以下步骤s1对掌纹图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵Y'和Yi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离 dfaim = WYi-Y' ||，其中i为掌纹图像训练样本类别编号；s2对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵H'和Hi,计算测试样本和各个类别的训练样本的特征矩阵之间的距萬d，= WHi -H' ||，其中i为人脸图像训练样本类别编号；s3将所述按如下公式进行归一化处理
2.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤Sl具体包括s101提取掌纹图像测试样本和训练样本的ROI图像fKQI(x，y)；s102利用Gabor滤波器对测试样本和训练样本的掌纹ROI图像进行二维滤波，得到二维滤波后的掌纹ROI图像feab (x，y),x,y为图像中的像素坐标；s103对滤波后的掌纹ROI图像采用2DPCA进行子空间特征投影，分别得到测试样本和训练样本掌纹图像的特征矩阵Y'和Yi,并计算=WYi-Y' ||。
3.如权利要求2所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤SlOl具体包括采用如下公式对测试样本和训练样本的掌纹图像进行平滑滤波处理
4.如权利要求3所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，分割出的固定尺寸的掌纹中心块为U8XU8像素的掌纹中心块。
5.如权利要求2所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S102中滤波方式具体为使用Gabor小波g (x, y)对提取的掌纹ROI图像进行卷积，fGabor (χ, y) = g (χ, y) *fK0I (χ,y)。
6.如权利要求2所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S103具体包括对Gabor滤波后的每类训练样本ROI图像，计算平均掌纹样本ROI图像__I NifGabori (X,少)=TT 〉fGaborij ly M其中，N为训练样本个数，Ni为第i类训练样本个数，feabOTiJ(X，y)为第i类中第j个训练样本的ROI图像；将每类中的各个样本按如下公式进行规范化馬二尺—办,^-!^^^)，其中Bij 为^abmij(χ，Y)规范化后的掌纹训练样本ROI图像；计算规范化后掌纹训练样本ROI图像的协方差矩阵G 1 NG =^fjBfBi Njfx 1 ‘其中，Bi为训练样本中第i个规范化后的掌纹训练样本ROI图像； 根据最优特征向量准则函数J(h) = hMh，得到G的特征向量，以G的前d个最大特征值对应的单位正交特征向量构成一个特征子空间；将掌纹训练样本feab (x，y)按类别向所述特征子空间做投影，得到每类训练样本的特征矩阵Yi,将掌纹测试样本向所述特征子空间做投影，得到特征矩阵Y'，并计算 dfalm叫…-r丨丨。
7.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S2具体包括 S201 使用2DGabor熵变换对人脸图像测试样本和训练样本进行光照预处理； S202:对光照预处理后的人脸图像的测试样本和训练样本进行LBP特征提取，分别生成测试样本和训练样本的LBP特征直方图矩阵斤和瓦；S203 使用PCA对人脸图像的LBP特征直方图矩阵斤和瓦进行子空间的特征提取，分别得到测试样本和训练样本人脸图像的特征矩阵H'和Hi,并计算=IIZZi-//7 ||。
8.如权利要求7所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S201中2DGabor熵变换如下βχ^) σ(χ gO，力-Ι η(χ λ_ L{x,y) GDI{x,y) = l-e^9^y)- U腿你，力_ 卯，炉I(x，少)，其中，L(x，y)为测试样本或训练样本的人脸图像，G (χ，y)为2DGabor函数，Qfflax和Qfflin 分别为测试样本或训练样本人脸图像Q(x，y)的最大值和最小值，E(Q' (χ, y))为人脸图像中每个像素的平方和。
9.如权利要求7所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S202具体包括按类别对人脸图像训练样本进行LBP特征提取，并按以下公式(1)统计人脸图像训练样本经LBP计算后的特征直方图，
10.如权利要求7所述的基于掌纹和人脸特征提取的身份识别方法，其特征在于，所述步骤S203具体包括计算所述万和瓦的协方差矩阵Σ Hi ；分别从所述协方差矩阵Σ Hi中选择前k个最大本征特征值对应的特征向量构成变换矩阵A和Ai,通过线性变换乂互和战=AHi，得到人脸图像测试样本的特征矩阵 H'和每类训练样本的特征矩阵Hi,并计算c/广=|冏-//"' ||。
全文摘要
本发明公开了一种基于掌纹和人脸特征提取的身份识别方法，其特征在于，包括对掌纹图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵Y′和Yi，计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为掌纹图像训练样本类别编号；对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取，分别得到特征矩阵H′和Hi，计算测试样本和各个类别的训练样本的特征矩阵之间的距离将所述和进行归一化处理，并对掌纹特征和对应人脸的特征进行融合来判断身份。本发明融合了手掌的纹理信息和人的脸部的结构信息，可提高识别率。
文档编号G06K9/00GK102332084SQ201010237730
公开日2012年1月25日 申请日期2010年7月23日 优先权日2010年7月23日
发明者孙明, 李嘉伟 申请人:中国农业大学