基于IoM的可撤销的掌纹竞争码特征识别方法与流程

本发明涉及掌纹识别技术领域，具体涉及基于iom的可撤销的掌纹竞争码特征识别方法。

背景技术：

在当今信息社会中，人们对身份验证的需求越来越迫切。传统用户名密码、ic卡、数字证书等模式的身份认证技术在实际应用中有诸多缺陷和不足，特别是存在使用不便、易丢失、易被伪造等问题，无法满足当前信息化社会的需要。利用指纹、人脸、虹膜、dna等人体所携带的唯一性的生物特征进行身份识别，已成为国内外的研究热点。掌纹作为一种新的非接触式生物特征识别技术，是利用红外线照射等方式获取人手掌部静脉纹理，利用专用的算法提取特征，并将这个特征作为用户身份识别标识的技术。与其他用于身份识别的生物特征相比，掌纹具有无法取代的优势。

生物识别应用程序的快速增长导致了大量的生物识别模板。如果被盗或受到损害，人们担心生物识别技术的安全性和隐私性。这种担忧归因于个人和隐私的强烈约束，并且由于生物特征是不可撤销的事实而进一步复杂化。鉴于上述分析，已报告了一些保护生物识别模板的提案。通常可用的提议可大致分为两类：特征转换和生物特征密码系统。生物特征识别密码系统用于使用生物特征(密钥绑定)保护或直接从生物特征(密钥生成)生成密钥。另一方面，可撤销的生物特征识别真正意味着生物识别模板保护。它指的是可以改变生物识别模板的不可逆转换，从而可以确保模板的安全性和隐私性。如果可以取消可撤销的模板，则可以从相同的生物特征中重新生成新模板。。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种可撤销的、安全性高的、识别率高的基于iom的掌纹竞争码特征识别方法。

本发明克服其技术问题所采用的技术方案是：

基于iom的可撤销的掌纹竞争码特征识别方法，包括如下步骤：

a)利用计算机对原始掌纹图像进行预处理，提取出原始掌纹图像的roi图像，对roi图像进行二值化处理，得到二值化的掌纹图像；

b)利用计算机在二值化的掌纹图像中提取手掌外边缘轮廓并检测食指与中指之间的间隙ⅰ以及无名指与小指之间的间隙ⅱ，计算间隙ⅰ与间隙ⅱ边界的切线，切线与间隙ⅰ的切点为x1，切线与间隙ⅱ的切点为x2，将作为坐标系的x轴，切点x1与切点x2之间的中点为坐标系的原点o，将穿过原点o并垂直于x轴的直线作为坐标系的y轴；

c)建立一条远离原点o且与x轴相平行的直线c1||x1x2||，直线c1||x1x2||与手掌轮廓左侧相交的交点为o1，其与手掌轮廓右侧相交的交点为o2，剪裁边长为c2||o1o2||的正方形区域形成像素为n×n的感兴趣区域roi图像，该正方形区域相对于y轴左右对称；

d)计算机利用gabor滤波器组通过公式gr(u,v)＝(4u²-2)exp(-(u²+v²))对感兴趣区域roi图像进行滤波得到滤波后的图像gr(u,v)，式中u为横坐标，v为纵坐标，之后对滤波后的图像通过公式进行归一化处理，得到掌纹竞争码特征compcode(x,y)，其中i(x,y)代表掌纹图像中的横坐标为x且纵坐标为y的点，*代表卷积运算，θj＝jπ/j，j＝{0,...,j-1}，j代表获取掌纹图像方向的数量，j＝8，gr代表gabor滤波器；

e)利用计算机对得到的掌纹竞争码特征compcode(x,y)映射统一分配为一组p×p块，对于每个块计算掌纹竞争码的统计直方图hi，hi的维数为6，将所有块中的直方图hi连接在一起形成大直方图h，将大直方图h作为特征向量,利用所提出的特征提取方案，给定无接触掌纹图集，为每个样本计算特征向量，然后通过公式就按整个图库集定义字典矩阵a作为所有特征向量的串联，式中k是图库集中的类数，nk是类k的样本数，m是特征的维数，n是每类样本的数量；

f)对特征向量进行iom变化，得到可撤销的掌纹特征模板b；

g)输入要测试的掌纹图像a，利用公式计算jaccard系数j(a,b)，通过公式计算jaccard距离dj(a,b)，式中aδb＝|a∪b|-|a∩b|，j(a,b)∈[0,1]将jaccard距离与判决门限值进行比较，当jaccard距离大于判决门限值时定义为掌纹图像a与掌纹特征模板b不相似，掌纹图像a与掌纹特征模板b不判定为一类，当jaccard距离小于等于判决门限值时定义为掌纹图像a与掌纹特征模板b相似，掌纹图像a与掌纹特征模板b判定为一类，判决门限值取错误接受率far与使错误拒绝率frr的交点。

进一步的，步骤c)中c1＝0.60，c2＝0.65，n＝128。

进一步的，步骤d)中计算机使用一个具有六个方向的gabor滤波器组对感兴趣区域roi图像进行滤波。

进一步的，步骤e)中包括如下步骤：

e-1)给定掌纹特征矢量p,生成q个随机高斯投影向量w次，形成随机高斯投影矩阵；

e-2)将生成的随机搞死投影矩阵正交化，得到正交的随机高斯投影矩阵；

e-3)记录从正交的随机高斯投影矩阵和特征矢量p计算的最大值的w个索引记为ti，基于高斯随机投影的iom哈希码记为tgrp＝{ti∈[1,q]i＝1,...,m}。

本发明的有益效果是：通过本基于iom的可撤销的掌纹竞争码特征识别方法对掌纹进行可撤销的识别，其分类效果好并且识别安全强度高，可以改变掌纹识别模板的不可逆转换，从而可以确保模板的安全性和隐私性。如果取消可撤销的掌纹模板，则可以从相同的掌纹特征中重新生成新模板。

附图说明

图1为基于iom的可撤销的掌纹竞争码特征识别的roc曲线图。

具体实施方式

下面对本发明做进一步说明。

基于iom的可撤销的掌纹竞争码特征识别方法，包括如下步骤：

a)利用计算机对原始掌纹图像进行预处理，提取出原始掌纹图像的roi图像，对roi图像进行二值化处理，得到二值化的掌纹图像；

b)利用计算机在二值化的掌纹图像中提取手掌外边缘轮廓并检测食指与中指之间的间隙ⅰ以及无名指与小指之间的间隙ⅱ，计算间隙ⅰ与间隙ⅱ边界的切线，切线与间隙ⅰ的切点为x1，切线与间隙ⅱ的切点为x2，将作为坐标系的x轴，切点x1与切点x2之间的中点为坐标系的原点o，将穿过原点o并垂直于x轴的直线作为坐标系的y轴；

c)建立一条远离原点o且与x轴相平行的直线c1||x1x2||，直线c1||x1x2||与手掌轮廓左侧相交的交点为o1，其与手掌轮廓右侧相交的交点为o2，剪裁边长为c2||o1o2||的正方形区域形成像素为n×n的感兴趣区域roi图像，该正方形区域相对于y轴左右对称；

d)计算机利用gabor滤波器组通过公式gr(u,v)＝(4u²-2)exp(-(u²+v²))对感兴趣区域roi图像进行滤波得到滤波后的图像gr(u,v)，式中u为横坐标，v为纵坐标，gabor变换可以模拟哺乳动物的视觉皮质细胞，对图像的光照与对比度等变化鲁棒性强等特点，能够提高掌纹特征识别的精度。之后对滤波后的图像通过公式进行归一化处理，得到掌纹竞争码特征compcode(x,y)，其中i(x,y)代表掌纹图像中的横坐标为x且纵坐标为y的点，*代表卷积运算，θj＝jπ/j，j＝{0,...,j-1}，j代表获取掌纹图像方向的数量，j＝8，gr代表gabor滤波器；

e)利用计算机对得到的掌纹竞争码特征compcode(x,y)映射统一分配为一组p×p块，对于每个块计算掌纹竞争码的统计直方图hi，因为总共有8个可能的竞争码值，显然hi的维数为6，将所有块中的直方图hi连接在一起形成大直方图h，将大直方图h作为特征向量,通过公式就按整个图库集定义字典矩阵a作为所有特征向量的串联，式中k是图库集中的类数，nk是类k的样本数，m是特征的维数，n是每类样本的数量；

f)对特征向量进行iom变化，得到可撤销的掌纹特征模板b，om散列能够强烈隐藏生物信息，这些信息总是表现在特征量级方面。这有助于实现掌纹不可逆变化。iom散列本质上是一种基于排序的散列方法，它依赖于特征维度的相对排序，因此独立于特征的大小。这使得散列码对噪声和变化具有鲁棒性。iom散列的幅度独立性使得得到的散列码具有尺度不变性。

g)输入要测试的掌纹图像a，利用公式计算jaccard系数j(a,b)，通过公式计算jaccard距离dj(a,b)，式中aδb＝|a∪b|-|a∩b|，j(a,b)∈[0,1]。jaccard距离dj(a,b)用于描述掌纹集之间的相似度。jaccard距离越大，样本相似度越低。。将jaccard距离与判决门限值进行比较，当jaccard距离大于判决门限值时定义为掌纹图像a与掌纹特征模板b不相似，掌纹图像a与掌纹特征模板b不判定为一类，当jaccard距离小于等于判决门限值时定义为掌纹图像a与掌纹特征模板b相似，掌纹图像a与掌纹特征模板b判定为一类。这个判决门限值是可以进行调整的，当设定的判决门限过低时，就会使错误接受率(far)增大，当设定的判决门限过高时，就会使错误拒绝率(frr)增大，我们需要根据具体情况设定一个最佳判决门限，在一定程度上使得far和frr都较低。因此判决门限值取错误接受率far与使错误拒绝率frr的交点。

通过本基于iom的可撤销的掌纹竞争码特征识别方法对掌纹进行可撤销的识别，其分类效果好并且识别安全强度高，可以改变掌纹识别模板的不可逆转换，从而可以确保模板的安全性和隐私性。如果取消可撤销的掌纹模板，则可以从相同的掌纹特征中重新生成新模板。

优选的，步骤c)中c1＝0.60，c2＝0.65，n＝128。

优选的，步骤d)中计算机使用一个具有六个方向的gabor滤波器组对感兴趣区域roi图像进行滤波。

优选的。步骤e)中包括如下步骤：

e-1)给定掌纹特征矢量p,生成q个随机高斯投影向量w次，形成随机高斯投影矩阵；

e-2)将生成的随机搞死投影矩阵正交化，得到正交的随机高斯投影矩阵；

e-3)记录从正交的随机高斯投影矩阵和特征矢量p计算的最大值的w个索引记为ti，基于高斯随机投影的iom哈希码记为tgrp＝{ti∈[1,q]i＝1,...,m}。

grp将掌纹特征矢量嵌入到q维高斯随机子空间中，并采用最大值投影特征的索引。用m个独立的高斯随机矩阵重复该过程，并产生m个iom指数的集合本发明实施方法的计算机仿真实验如下：

本实验在香港理工大学的掌纹数据库上进行测试，数据库包括600张掌纹图像，它们分别来自100个人的100个手掌，每个手掌取6张掌纹图像。本实验在不同大小的随机投影和不同长度的可撤销掌纹特征的情况下测得的等错误率如表1所示。

表1为在不同大小的随机投影和不同长度的可撤销掌纹特征的情况下测得的掌纹等错误率：

根据上面的11组掌纹等错误率。

根据表1可以知道当随机投影的大小为200，可撤销掌纹特征长度为500时掌纹等错误率为1.17；当随机投影的大小为260，可撤销掌纹特征长度为650时掌纹等错误率为掌纹等错误率为1.46；并且根据表1中一组掌纹等错误率得出了附图1的roc曲线图。我们可以知道该方法分类效果好并且识别安全强度高，可以改变掌纹识别模板的不可逆转换确保模板的安全性和隐私性。如果取消可撤销的掌纹模板，则可以从相同的掌纹特征中重新生成新模板。