一种基于轮廓与边缘纹理特征融合的掌纹识别方法
【技术领域】：
[0001] 本发明属于掌纹识别技术领域，涉及一种基于轮廓与边缘纹理特征融合的掌纹识 别方法。
【背景技术】：
[0002] 目前，基于生物特征识别的身份鉴别技术是一种高可靠性、高稳定性的有效身份 鉴别方式。掌纹识别作为一种重要的生物特征，由于其成本低、友好性强、识别精度高等 优点得到了研宄人员的广泛关注，掌纹特征识别技术作为生物特征识别领域一种新兴的技 术，在近十几年中已经取得了大量的科研成果，其发展非常迅速。
[0003] 掌纹含有丰富的纹理信息，包括主线、折皱、乳突纹等粗细不同的纹理特征，这些 特征具有稳定性和唯一性，利用这些特征可以确定一个人的身份，主线和褶皱相对来讲， 纹理较大，可以在低频成分中提取；而乳突纹等细小纹理信息可以在高频成分中提取。由 于不同人的主线和褶皱有很大的区别，苑玮琦等（苑玮琦，范永刚，柯丽.基于灰度曲面 匹配的掌纹识别方法[J].光电子?激光，2009, 2(K6) :807-811)将掌纹灰度图像看作是 三维空间下的灰度曲面，并将该曲面作为特征进行匹配，通过较大纹理存在的差异来计 算方差，进而通过灰度曲面的凹凸程度来识别，该算法利用整幅图像进行匹配，丢失了部分 掌纹信息，在数据逐渐加大的情况下，识别率会降低；陈梓毅等（陈梓毅，康文雄，邓飞 其.基于灰度差统计分析的掌纹线提取[J].计算机工程与设计，2011，32(2) :653-670) 利用灰度差统计，通过判断对象点的灰度值和连续掌纹线点集的点数，提取出掌纹线的二 值图像，最后通过隶属度评价掌纹线的提取效果，该算法复杂度高，而且识别率低，不满足 实时性要求。主线和褶皱并不是图像的全部信息，乳突纹波动较大的细小纹理同样是区 分掌纹的重要信息，利用分形对波动较大图像处理的优势，洪丹楓等（D. Hong，Z. Pan，X. Wu. Improved Differential Box Counting with Muti-scale and Multi-direction:A new palmprint recognition method.Optik-International Journal of Light Electron Optics, 2014, 125(15) :4154-4160)使用分形维数作为特征向量提取图像的纹理特征，同时 对比局部分形和全局分形算法，证明局部分形算法可以方便地找出图片的变换复杂区域， 但局部分形维数算法复杂度高，不利于进行中大型数据应用；赵志刚等（赵志刚，吴鑫，洪 丹楓，潘振宽.基于信息熵的GLBP掌纹识别算法[J].计算机科学，2013, 41 (8) :293-296) 实现了一种利用信息熵进行多层次描述的掌纹识别方法，加入了尺度方向信息，弥补了单 一特征描述不准确的缺陷；潘新等（Pan X，Ruan Q, Wang Y. Palmprint Recognition Using ContourIets-based Local Fractal Dimensions. ICSP2008Proceedings, pp. 2108-2111) 提出了一种基于Contourlet和局部分形结合的掌纹识别方法，该方法虽然有较高的识别 率，初步解决了尺度方向的问题，而且结合分形维数有效描述图像纹理粗糙程度，为掌纹识 别算法提供了新的思路，但算法复杂度高，不能满足实时性要求。
【发明内容】
：
[0004] 本发明的目的在于克服现有技术存在的缺点，寻求设计提供一种基于轮廓与边缘 纹理特征融合的掌纹识别方法，通过均值滤波器将掌纹图像分为低频和高频两部分，并采 用分块思想对获得图像进行处理，分别采用灰度直方图处理掌纹低频特征，差分盒子维处 理掌纹高频特征，降低复杂度，提高识别时间和识别精度，能够实时识别掌纹。
[0005] 为了实现上述目的，本发明首先对图像进行预处理，运用均值滤波将掌纹图像分 解为图像轮廓（低频成分）和图像边缘纹理（高频成分），分别采用灰度直方图和差分盒子 维进行特性提取，最后使用通用的卡方距离进行匹配，具体步骤如下：
[0006] (1)、选取掌纹图像：从掌纹数据库中选取200个人的掌纹图像作为样本，并对每 个人的掌纹图像进行编号，其中每个人10幅图像，共2000张掌纹图像，随机选取每个人的 一张图像作为训练图像，剩余9张作为测试图像；
[0007] (2)、均值滤波分解掌纹图像：采用均值替代掌纹图像中的各个像素值，对掌纹图 像中的像素点（X，y)，选择由其邻近的像素组成的模板，计算得到模板中所有像素的均值， 再把该均值赋予当前像素点（X，y)，作为处理后图像在该点上的灰度g(x，y)，然后对掌纹 图像进行均值滤波，得到图像轮廓（低频层）和图像边缘纹理（高频层）；
[0008] (3)、灰度直方图提取图像轮廓特征：将步骤（1)得到的掌纹图像进行分块，每块 区域为16X16像素，然后使用现有技术中的灰度直方图对每块区域进行灰度统计，作为 该区域的特征向量，并联融合每个区域特征向量，得到图像轮廓特征；
[0009] (4)、差分盒子维提取图像边缘纹理特征：将步骤（1)得到的掌纹图像进行分块， 每块区域为4 X 4或8 X 8像素，采用现有技术中的差分盒子维方法得到掌纹图像的盒子数， 即为图像边缘纹理特征；
[0010] (5)特征融合：将图像轮廓特征与图像边缘纹理特征并行融合，即向量串联，得到 能够代表掌纹图像特征数据的最终特征向量；
[0011] (6):卡方距离匹配：先采用通用的卡方距离来度量，特征空间的样本卡方距离 为：
[0012]
【主权项】
1. 一种基于轮廓与边缘纹理特征融合的掌纹识别方法，其特征在于先对图像进行预处 理，运用均值滤波将掌纹图像分解为图像轮廓和图像边缘纹理，分别采用灰度直方图和差 分盒子维进行特性提取，最后使用通用的卡方距离进行匹配，具体步骤如下： (1) 、选取掌纹图像：从掌纹数据库中选取200个人的掌纹图像作为样本，并对每个人 的掌纹图像进行编号，其中每个人10幅图像，共2000张掌纹图像，随机选取每个人的一张 图像作为训练图像，剩余9张作为测试图像； (2) 、均值滤波分解掌纹图像：采用均值替代掌纹图像中的各个像素值，对掌纹图像中 的像素点（X，y)，选择由其邻近的像素组成的模板，计算得到模板中所有像素的均值，再把 该均值赋予当前像素点（X，y)，作为处理后图像在该点上的灰度g(x，y)，然后对掌纹图像 进行均值滤波，得到图像轮廓和图像边缘纹理； (3) 、灰度直方图提取图像轮廓特征：将步骤（1)得到的掌纹图像进行分块，每块区域 为16X 16像素，然后使用现有技术中的灰度直方图对每块区域进行灰度统计，作为该区域 的特征向量，并联融合每个区域特征向量，得到图像轮廓特征； (4) 、差分盒子维提取图像边缘纹理特征：将步骤（1)得到的掌纹图像进行分块，每块 区域为4 X 4或8 X 8像素，采用现有技术中的差分盒子维方法得到掌纹图像的盒子数，即为 图像边缘纹理特征； (5) 特征融合：将图像轮廓特征与图像边缘纹理特征并行融合，即向量串联，得到能够 代表掌纹图像特征数据的最终特征向量； (6) :卡方距离匹配：先采用通用的卡方距离来度量，特征空间的样本卡方距离为：
其中，S为测试图像的最终特征向量，M为训练图像的最终特征向量，i为图像编号，i取 值为1-200的整数；再根据最小的X 2值为匹配的掌纹图像，对比编号是否符合同一个人， 即能判断识别的正确与否。
【专利摘要】本发明属于掌纹识别技术领域，涉及一种基于轮廓与边缘纹理特征融合的掌纹识别方法，先对图像进行预处理，运用均值滤波将掌纹图像分解为图像轮廓和图像边缘纹理，分别采用灰度直方图和差分盒子维进行特性提取，最后使用通用的卡方距离进行匹配，其方法简单，原理科学，识别时间短，识别精度高，能实时识别掌纹，为身份识别提供了一种快速有效的识别方法。
【IPC分类】G06K9-00
【公开号】CN104636721
【申请号】CN201510021336
【发明人】魏伟波, 王刚, 贾梦琦, 洪丹枫, 王静
【申请人】青岛大学
【公开日】2015年5月20日
【申请日】2015年1月16日