本发明属于掌纹图像处理领域，涉及一种通过掌纹图像的识别进行身份认证的方法，具体涉及一种通过识别多层lda(隐含狄利克雷分布主题模型(latentdirichletallocation，lda))分类的掌纹图像以进行身份认证的方法。
背景技术：
随着现代社会信息交互急剧增长，个人身份鉴定已成为迫切解决的问题，在电子交易、公共安全、商业金融、医疗卫生、国防军事等部门得到了高度重视和广泛应用。传统的身份判定方法，包括身份标识物品(如钥匙、身份证、印章、银行卡、护照等)和身份标识知识(如用户名、密码、暗语等)，一旦证明身份的标识物品和标识知识被盗用、伪造或遗忘，其身份就很容易被他人冒充或取代，从而造成严重的安全问题和经济财产损失等，这些方法存在较大的弊端。在这种情况下，生物特征识别技术逐渐得到了全社会的广泛关注。
生物特征识别技术是指利用可测量的人体生理特征或者行为特征进行身份识别和验证的技术，它将21世纪两大热门技术——生物和信息融为一体。生物特征具备“人人拥有、人各不同、长期不变”的特点，是人类一个完整和独特的部分，它不会被遗忘或丢失，具有先天的便利性和技术方面的高效性。与传统的认证方式相比，它能随身携带、难以伪造而且不用记忆，具有更好的安全性、可靠性和有效性，是模式识别、图像处理、人工智能、计算机视觉，测试计量技术等领域的前沿方向。
目前应用最为广泛的生物识别有人脸、指纹、虹膜、步态等，掌纹识别技术最近几年发展迅速，是对现有生物识别技术必要的有益补充。与其它生物特征相比，掌纹具有非常丰富的信息如乳突纹、皱纹和屈肌线，可以得到比较理想的掌纹识别率。与其他常用的生物特征识别技术相比，掌纹识别具有很多独一无二的特性：
1)与人脸识别相比，掌纹特征不受饰物、表情及姿态等因素的影响，相对比较稳定，可以更好的保障掌纹识别系统的识别精度。
2)与指纹技术相比，掌纹的有效区域远远大于指纹的，掌纹含有比指纹更丰富的信息。并且指纹只适用于指纹质量较好的人群，限制了指纹不清晰或者指纹受到严重磨损的人。另外，采集掌纹设备的成本比采集指纹的低，因为指纹采集需要高精度的设备。
3)与虹膜、视网膜识别相比，虽然虹膜、视网膜识别率比较高，但是采集设备高昂，并且容易导致眼疾交叉传染，而掌纹采集设备成本较低，图像获取方式简单，可接受程度高。
4)与掌形识别相比，掌纹可以提取更多的唯一性特征，可以达到较高的识别率；依靠手掌的几何特征很难获得较高的识别精度，并且掌形容易伪造，安全性能比较低。
5)与签名、姿态、步态等其它行为特征相比，掌纹特征不受人为意识的影响，相对稳定，识别效率较行为特征高，而且识别过程简单、有效。
总之，掌纹有效面积大，不易被仿冒；特征稳定，鲁棒性较好，不受表情、年龄变化因素的影响；采集装置结构简单，辨识精度高。在低分辨率图像中也可以提取出其相对稳定的特征，具有较强的抗噪能力。掌纹可通过非接触方法获取，用户容易接受和系统成本低，对用户有相当大的吸引力，已逐步发展为生物识别领域中的新兴技术。
掌纹识别算法大致可分为四类：基于结构的识别算法、基于统计的识别算法、基于子空间的识别算法和基于编码的识别算法。其中，基于结构的识别算法主要是利用掌纹中的点特征、线特征及线特征矢量的方向信息来实现掌纹识别的方法。虽然点特征鲁棒性强、区分能力高，但提取较多特征点的计算量比较大；线特征具有稳定性强、特征空间小、表示方法简单的特点，但是由直线段或特征点近似的掌纹纹线，都丢失了大量有用信息，因而识别率不高。基于统计的识别算法主要是利用掌纹图像统计量(各种特征的均值、方差、重心等)和纹理特征来实现掌纹识别，该方法鲁棒性较好，识别率较高，所需存储空间小，计算速度较快。基于子空间的识别算法是指将高维向量或矩阵，通过寻找其最优的投影向量将其转化为低维向量或矩阵，并以此作为掌纹的特征信息实现掌纹识别。该方法具有特征描述性强、易实现、计算速度快和可分性好等特点，与基于统计的识别算法相比较，能够使用较少的特征向量数取得较高的识别率。基于编码的识别算法一般是先利用滤波器对掌纹图像进行滤波，再采用二进制方式对所得滤波图像进行编码，然后使用“与”或“异或”操作计算特征间的相似性。上述方法比较适合于待检测掌纹与已注册掌纹逐一匹配来确认身份的场合，但对于大型认识系统，逐一匹配根本无法满足身份识别对实时性的要求。
技术实现要素：
本发明所要解决的技术问题是：针对上述现有技术的不足，提供一种综合多类型特征的层次主题模型掌纹图像识别的身份认证方法，其将掌纹图像类比为文档、掌纹特征分量类比为词、手掌类比为主题，再利用层次主题模型将用于训练的已注册掌纹的掌纹图像分层分组，然后使用训练好的主题模型将待检测掌纹图像分类到相应的组中，并将待检测掌纹图像特征与组内掌纹图像特征逐一匹配，从而实现身份的认证。
为解决上述技术问题，本发明所采用的技术方案是：一种综合多类型特征的层次主题模型掌纹图像识别的身份认证方法，该方法步骤如下：
(1)使用log-gabor和radon变换与线段检测器相结合的方法提取各掌纹上的掌纹线特征，并使用moravec算子提取不在掌纹线上的点特征；
(2)采用词袋模型描述用于lda模型的掌纹线和点特征，及统计特征；
(3)利用多层的lda对待注册的掌纹图像进行多层分组；
(4)利用训练好的多层的lda对待识别掌纹图像进行定位，进而实现身份认证。
上述步骤(1)按如下过程执行：
(1a)线特征提取：利用log-gabor和radon变换与线段检测器相结合的方法提取掌纹线的长度、位置、方向和宽度信息，以及多条线交叉点；
(1b)点特征提取：利用moravec算子提取点特征，具体算法如下：
步骤1b1.计算像素点xc,r的兴趣值ivc,r,先在以像素点xc,r为中心的(2k+1)×(2k+1)窗口中，计算以像素点xc,r为轴心的横纵轴线4个方向相邻像元灰度差的平方和，再从中选择最小的值作为ivc,r，其中，k为2、3或4：
ivc,r＝min(v1,v2,v3,v4)，
步骤1b2.根据给定的阀值v，选择兴趣值大于该阀值的点作为特征点的候选点，即如果ivc,r>v，则xc,r为特征点的候选点；
步骤1b3.在该窗口内，删除所有兴趣值不是最大的候选点，兴趣值最大的像素即为一个特征点。
上述步骤(2)按如下过程执行：
(2a)将从各掌纹图像提取到的掌纹线特征和点特征记为存入m×n矩阵f，fij表示第i个特征的第j个分量，设置词的个数为n；
(2b)使用k-means方法或高斯混合模型或hik-k-means对f中的特征进行聚类，类别数即等于词的个数n,聚类中心存入n维向量w中，w即为字典；
(2c)对f中的每一特征f进行单词量化，选取
上述步骤(3)按如下过程执行：
(3a)lda应用于掌纹图像分类的数学表达：将掌纹图像类比为文档、掌纹特征类比为词、手掌类比为主题，则可设k维向量α是手掌的先验分布的参数，k×v的矩阵β是手掌中特征的分布参数，v为特征分量的总数，即βij＝p(wj|zi)为特征wj出现在第i个手掌中的概率，那么生成一个掌纹图像的手掌分布、再生成k个手掌、进而得到这幅掌纹图像的n个特征的概率表示为：
其中，θ是掌纹图像的手掌分布向量，z是n维的手掌向量，w是n个特征分量组成的特征向量；这里的θ和z不能直接从练训数据中观察到的潜在变量，因此通过求边缘分布将其从左边消掉，得：
对于含有m幅掌纹图像的掌纹库d则有：
如果知道p(d|α,β)最大的参数α和β的值，就可以对一幅掌纹图像的手掌分布和各特征分量所属的手掌进行预测，因此需要求解：
采用最大期望迭代算法估算α和β的值；
(3b)用于掌纹图像识别的lda训练算法：
步骤1.随机初始化α和β；
步骤2.对训练集中的每幅掌纹图像，利用α和β当前值计算每幅掌纹图像的手掌分布、每个特征分量所属的手掌分布；
步骤3.统计所有掌纹图像中属于手掌k(k＝1…k)的特征分量的个数，存入向量gammas中；同时统计特征分量i(i＝1…v)属于手掌k(k＝1…k)的次数，存入矩阵betas；
步骤4.根据当前的gammas，利用newton-raphson迭代方法求得当前的最优α值；
步骤5.对矩阵betas的每列归一化，从而得到每个手掌的特征分量分布β；
步骤6.重复步骤2至步骤5，直到收敛，收敛时的α和β的值就作为最终的α和β的值；
(3c)用于掌纹图像识别的lda预测算法：
步骤1.以平均分布初始化k维向量ct，ctk是当前掌纹中属于类别k的词的个数，ct为未归一化的掌纹图像的手掌分布；
步骤2.根据当前的手掌的先验分布参数α值，以及当前的掌纹图像的手掌分布参ct值，以及当前的手掌中特征的分布参数β值，计算掌纹图像中各个特征的手掌分布，得到矩阵q，qik＝掌纹中的第i个特征属于手掌k的概率；
步骤3.根据矩阵q更新向量ct的值；
步骤4.重复步骤2和步骤3，直到ct达到稳定；
步骤5.将ct归一化作为掌纹图像的手掌分布，矩阵q则为掌纹图像中每个特征的手掌分布。
上述步骤(4)按如下过程执行：
(4a)在识别阶段，利用训练好的多层lda将待检测掌纹图像先分类到一个大组内，再逐步分类到比较小的组g中；
(4b)度量待检测掌纹图像特征ft与g组中每幅掌纹图像特征的差异性distg＝abs(ft-fg)，其中g∈g，abs为求绝对值运算；
(4c)选取
本发明将掌纹图像类比为文档、掌纹特征分量类比为词、手掌类比为主题，先根据用于训练的掌纹图像计算主题模型参数和主题数，再利用层次主题模型将用于训练的掌纹图像分层分组，并根据用于测试的掌纹图像识别情况来优化层次主题模型的拓扑结构；再使用训练阶段训练好的主题模型将待检测掌纹图像分类到相应的组中，然后将待检测掌纹图像特征与组内掌纹图像特征逐一匹配，从而实现身份的认证。本发明获取的识别准确率比较高，并且识别速度比较快，能够满足面向身份判别的大规模掌纹识别的实时性要求。
具体实施方式
本发明为一种综合多类型特征的层次主题模型掌纹图像识别的身份认证方法，按照“掌纹特征提取与描述、掌纹图像多层lda分类、掌纹之间相似性度量、掌纹匹配与身份辨识认证”的总体思路进行。在传统掌纹识别流程基础上，增加了多层分类和分类定位，先根据掌纹特征，利用多层lda主题模型对掌纹进行分类，再根据分类结果将掌纹特征分组存入数据库；再提取待检测掌纹的特征，利用前述构造的多层lda对其进行分类定位，将其分类到合适的类别中，再将待检测掌纹与该类别中的掌纹进行特征匹配，实现身份的识别认证，具体步骤如下：
(1)使用log-gabor和radon变换与线段检测器相结合的方法提取各掌纹上的掌纹线特征，并使用moravec算子提取不在掌纹线上的点特征；
具体按如下过程执行：
(1a)线特征提取：利用log-gabor和radon变换与线段检测器相结合的方法提取掌纹线的长度、位置、方向和宽度信息，以及多条线交叉点；
(1b)点特征提取：利用moravec算子提取点特征，具体算法如下：
步骤1b1.计算像素点xc,r的兴趣值ivc,r,先在以像素点xc,r为中心的2k×2k窗口中，计算以像素点xc,r为轴心的横纵轴线4个方向相邻像元灰度差的平方和，再从中选择最小的值作为ivc,r，其中，k为2、3或4：
ivc,r＝min(v1,v2,v3,v4)，
步骤1b2.根据给定的阀值v，选择兴趣值大于该阀值的点作为特征点的候选点，即如果ivc,r>v，则xc,r为特征点的候选点；
步骤1b3.在该窗口内，删除所有兴趣值不是最大的候选点，兴趣值最大的像素即为一个特征点。
(2)采用词袋模型描述用于lda模型的掌纹线和点特征，及统计特征；
具体按如下过程执行：
(2a)将从各掌纹图像提取到的掌纹线特征和点特征记为存入m×n矩阵f，fij表示第i个特征的第j个分量，设置词的个数为n；
(2b)使用k-means方法(或者使用高斯混合模型或者使用hik-k-means法)对f中的特征进行聚类，类别数即等于词的个数n,聚类中心存入n维向量w中，w即为字典；
(2c)对f中的每一特征f进行单词量化，选取
(3)利用多层的lda对待注册的掌纹图像进行多层分组；
具体按如下过程执行：
(3a)lda应用于掌纹图像分类的数学表达：将掌纹图像类比为文档、掌纹特征类比为词、手掌类比为主题，则可设k维向量α是手掌的先验分布的参数，k×v的矩阵β是手掌中特征的分布参数，v为特征分量的总数，即βij＝p(wj|zi)为特征wj出现在第i个手掌中的概率，那么生成一个掌纹图像的手掌分布、再生成k个手掌、进而得到这幅掌纹图像的n个特征的概率表示为：
其中，θ是掌纹图像的手掌分布向量，z是n维的手掌向量，w是n个特征分量组成的特征向量；这里的θ和z不能直接从练训数据中观察到的潜在变量，因此通过求边缘分布将其从左边消掉，得：
对于含有m幅掌纹图像的掌纹库d则有：
如果知道p(d|α,β)最大的参数α和β的值，就可以对一幅掌纹图像的手掌分布和各特征分量所属的手掌进行预测，因此需要求解：
采用最大期望迭代算法估算α和β的值；
(3b)用于掌纹图像识别的lda训练算法：
步骤1.随机初始化α和β；
步骤2.对训练集中的每幅掌纹图像，利用α和β当前值计算每幅掌纹图像的手掌分布、每个特征分量所属的手掌分布(可使用下文描述的lda预测算法来实现)；
步骤3.统计所有掌纹图像中属于手掌k(k＝1…k)的特征分量的个数，存入向量gammas中；同时统计特征分量i(i＝1…v)属于手掌k(k＝1…k)的次数，存入矩阵betas；
步骤4.根据当前的gammas，利用newton-raphson迭代方法求得当前的最优α值；
步骤5.对矩阵betas的每列归一化，从而得到每个手掌的特征分量分布β；
步骤6.重复步骤2至步骤5，直到收敛，收敛时的α和β的值就作为最终的α和β的值；
(3c)用于掌纹图像识别的lda预测算法：
步骤1.以平均分布初始化k维向量ct，ctk是当前掌纹中属于类别k的词的个数，ct为未归一化的掌纹图像的手掌分布；
步骤2.根据当前的手掌的先验分布参数α值，以及当前的掌纹图像的手掌分布参ct值，以及当前的手掌中特征的分布参数β值，计算掌纹图像中各个特征的手掌分布，得到矩阵q，qik＝掌纹中的第i个特征属于手掌k的概率；
步骤3.根据矩阵q更新向量ct的值；
步骤4.重复步骤2和步骤3，直到ct达到稳定；
步骤5.将ct归一化作为掌纹图像的手掌分布，矩阵q则为掌纹图像中每个特征的手掌分布。
(4)利用训练好的多层的lda对待识别掌纹图像进行定位，进而实现身份认证。
具体按如下过程执行：
(4a)在识别阶段，利用训练好的多层lda将待检测掌纹图像先分类到一个大组内，再逐步分类到比较小的组g中；
(4b)度量待检测掌纹图像特征ft与g组中每幅掌纹图像特征的差异性distg＝abs(ft-fg)，其中g∈g，abs为求绝对值运算；
(4c)选取