测试的主线特征图像，B是训练的主线特征图像，A、B大小为mXn，并且 A、B为二值图像，主线的像素值为1，则图像A到图像B的匹配分数如下：
[0058] 公式（14)中，Na为图像A中主线的像素个数，否(Λ /)是B(i，j)的3X3邻域，
[0059] 同理，图像B到图像A的匹配分数为：
[0061] 最后，图像A与图像B的匹配分数满足：
[0062] S (A, B) = S (B, A) = MAX (s (A, B), s (B, A)) (16)
[0063] 公式（16)中，S (A, B)处于0和1之间，S (A, B)越大，图像A与图像B越相似，将 S(A，B)的范围放大-0. 1到0. 1，找出多个相似的图像；
[0064] 步骤2. 3 :对提取掌纹的整体特征使用最小欧氏距离算法进行分类选取，具体方 法为：
[0065] 设特征向量 Y1= {y ^ y2,...，yJ，Y2= {y' 1，y' 2,...，y' J (η 为特征向量维 数），则欧氏距离定义为：
[0067] 公式（17)中，Cl(YuY2)距离越小，图像Y1,与图像Y 2越相似，将Cl(YuY2)的范围 放大-0. 1到0. 1，找出多个相似的图像。
[0068] 步骤3包括以下步骤：
[0069] K近邻分类器方法为，取待识别样本T的k个近邻，看这k个近邻中多数属于哪一 类，就把T归为哪一类；
[0070] 即在掌纹训练库的N个样本中，设这N个样本中，找出待识别样本T的来自 Hamming距离ω i分类的近邻样本有M if，找出待识别样本T的来自点对区域的双向匹配 ω2分类的近邻样本有]?2个，找出待识别样本T的来自点欧氏距离ω 3分类的近邻样本有M3 个；
[0071] Borda投票策略的基本思想是：每个投票者对不同的候选者采用模式分类技术进 行评价打分并排序，然后计算所有投票者的Borda数，具有Borda数最大的候选者可以被认 为在经过分类器评价后，在竞争中是最优而获胜；
[0072] Borda投票策略具体为：
[0073] 1)由于Hamming距离分类、点对区域的双向匹配分类和最小欧氏距离算法分类这 三种分类器匹配的属性各不相同，所以需要对各分类器得到的距离进行归一化，具体如下： 假设共有K个分类器，每个分类器对应有M个图像，则第k分类器对M个图像评分的排序结 果作）为：
[0075] 公式（18)中：1彡m彡M. 1彡k彡K，f是候选图像m的出现在多个分类器中的频 率，0,1(1 ??Μ.1 SKJC)是第k分类器对候选图像m评分，Dfsw为k分类器中对所有候 选图像的最大评分；
[0076] 2)Borda投票策略没有考虑在实际分类器中之间性能的差别，采用加权方式区分 不同分类器的分类能力，则对图像m计算得到的Borda数B ni为：
[0078] 公式（19)中，C为惩罚因子，如果候选图像m的Borda数Bni最大，那么候选图像m 可以被认为在经过K个分类器评价后，是最优而被确认为识别结果。
[0079] 本发明的有益效果是：本发明方法在获取掌纹感兴趣区域的前提下，针对掌纹单 一特征表征不充分，多特征难以融合，不能显现特征本质的分辨特性，提出基于局部与全局 特征融合的掌纹识别方法，这种方法从不同角度的特征描述中提取了更近似的掌纹本质特 征，克服了单一特征对掌纹进行识别时存在识别率受限、鲁棒性差等缺点。其融合理论方法 的思想不局限于掌纹的特征融合，对于各种特征融合普遍适用。
【附图说明】
[0080] 图1是本发明一种基于局部和全局特征融合的掌纹识别方法的掌纹识别流程图。
【具体实施方式】：
[0081] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0082] 本发明提供了一种基于局部和全局特征融合的掌纹识别方法，如图1所示，具体 包括以下步骤：
[0083] 步骤1 :采用二维Gabor相位编码，提取掌纹的纹理特征，采用改进的有限Radon 变换，即MFRAT，提取掌纹的主线特征，采用双向主成分分析法，即BDPAC，提取掌纹的整体 特征；
[0084] 步骤1的具体方法为：
[0085] 步骤I. 1 :采用二维Gabor相位编码，提取掌纹的纹理特征的具体方法为：
[0086] 二维离散Gabor滤波器的原形为：
[0088] 将Gabor核函数去掉直流分量，由此得到一个改进的Gabor函数：
[0090] 公式（1)、⑵中，（X，y)为给点位置的图像坐标值，i是虚数符号，μ是正弦波的 频率，Θ用来控制函数的方向，σ是标准方差，2η+1是滤波器的模板宽度；
[0091] 对用公式（2)处理后的掌纹子图像I进行相位编码，形成两位码字（I^b1)，得到 实部和虚部的二值图像，这样在掌纹的特征向量中仅保存有相位信息，编码规则为：
[0094] 步骤1. 2 :采用MFRAT提取掌纹的主线特征，具体方法为：
[0095] 给定网格Zp= {0, l，...，p-l}，这里p为正整数，则MFRAT的实函数f[i，j]在有 限的网格.^上定义为：
[0097] 公式（5)中，k= 1，2，...，N，N为方向个数，C为一个控制r[Lk]范围的常量，1^表 示在网格笔上组成直线的点，i，j为图像中某个点的像素坐标值，公式为：
[0098] Lk= {(i, j) : j = k (i-i 〇) +j〇, i e Zp} (6)
[0099] 公式（6)中，（i。，j。）是网格^的中心点，k是直线1^的斜率；
[0100] 在MFRAT中，网格苟的中心点f(i。，j。）的方向Θ k和能量e的计算公式如下：
[0102] 公式（7)中，arg是角度运算，Θ k为对应于斜率k的角度；
[0103] 设大小为mXn的图像I，由公式（7)得到的一幅图像所有像素点的方向图像 Direction_image 和能量图像 Energy_image 表;^为：
[0104]
[0105] 由公式⑶确定阈值T ;
[0106] 阈值T的确定方法为：先将能量图像Energy_image从大到小排序，然后取第M个 能量值作为阈值T ;
[0107] 通过阈值T，将能量图像Energy_image转化为二值图像，叫做线图像，记作Line_ image，Line_image，Line_image，Line_image，通过公式（9)选择获得：
[0108] Line_image = 0 若 Energy_image < T (9)
[0109] Line_image = 1 若 Energy_image 多 T
[0110] 此时，线图像Line_image中已包含了主线，但同时也包含一些较强的皱纹线，可 以通过方向准则进一步去掉这些皱纹线；
[0111] 最后，对掌纹主线图像进行贴标签处理，去除很短的直线，获得只含有三大主线的 图像；
[0112] 步骤1. 3 :基于BDPAC提取掌纹的整体特征，具体方法为：
[0113] BDPCA是基于图像矩阵的主成分分析法，具体方法如下：
[0114] 设掌纹感兴趣区域训练样本图像有M个mXn维的图像样本I1, I2，…，IM，第j个训 练样本图像的图像样本矩阵1；^以用η个mX 1的列向量来进行表示，组成训练样本集，可 计算出去行相关性的列方向上总的散度矩阵为：
(10)
[0116] 同样，可以将第j个训练样本图像的图像样本矩阵1,用m个IXn的行向量来进 行表示，组成训练样本集，可计算出去列相关性的行方向上总的散度矩阵为：
cm 为训练样本图像总体的均值矩阵，
[0119] 由矩阵Gr的前Cl1 (Cl1SM)个最大特征值相对应的特征向量u = 1,2,...4)组 成HiXd1的矩阵，就是列映射矩阵U，其中u i表示与G 1^的第i个最大