特征值对应的特征向 量，同样，选取G。的前d 2 (d2< M)个最大特征值相对应的特征向量V i (i = 1，2,. . . d2)组成 η X d2的矩阵，就是行映射矩阵V，因此，图像矩阵I的大小为d i X d2维特征矩阵F ,为：
[0120] Fj=UtIV0 (12)
[0121] 步骤2 :对提取掌纹的纹理特征使用Hamming距离进行分类选取，得到纹理选取 特征；对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，得到主线选取特征； 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，得到整体选取特征；
[0122] 步骤2的包括以下步骤：
[0123] 步骤2. 1 :对提取掌纹的纹理特征使用Hamming距离进行分类选取，具体方法为：
[0124] Hamming距离用来衡量两幅图像纹理特征的相似度，用于掌纹纹理特征的分类。
[0125] 设P和Q为两个纹理特征向量，归一化的Hamming距离为：
[0127] 公式（13)中，Pr(Qr)和P1(Q 1)为纹理特征P (Q)的实部和虚部，?为布尔运算符， NXN为纹理特征向量尺寸，i，j为图像中某个点的像素坐标值，
[0128] 为了更好的匹配，在水平和垂直方向移动其中一个特征再次匹配，移动像素范围 为-2到2,然后找出最小的Hamming距离，作为P和Q的相似度；
[0129] 步骤2. 2:对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，算法 原理如下：
[0130] 对于掌纹主线特征，使用点对区域的双向匹配算法对其分类，算法原理如下：
[0131] 假定A是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：
[0133] 公式（14)中，Na为图像A中主线的像素个数，如,./)是B(i，j)的3X3邻域，
[0134] 同理，图像B到图像A的匹配分数为：
[0136] 最后，图像A与图像B的匹配分数满足：
[0137] S (A, B) = S (B, A) = MAX (s (A, B), s (B, A)) (16)
[0138] 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；
[0139] 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：
[0140] 设特征向量丫1={71，72，...，711}，￥ 2={7'1，7'2，...，7'11}(11为特征向量维 数），则欧氏距离定义为：
[0142] 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。
[0143] 步骤3 :对纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法， 得到的与待识别样本T的k个近邻的分类结果，将分类结果采取Borda投票策略决策融合 规则进行信息融合，从而实现掌纹多特征的融合识别；
[0144] 步骤3包括以下步骤：
[0145] 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；
[0146] 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；
[0147] 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；
[0148] Borda投票策略具体为：
[0149] 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：
[0151] 公式（18)中：1彡m彡M. I Sk彡K，f是候选图像m的出现在多个分类器中的频 率，是第k分类器对候选图像m评分，Diu..为k分类器中对所有候 选图像的最大评分；
[0152] 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：
[0154] 公式（19)中，C为惩钊因子，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。
[0155] 实施例：
[0156] 本发明采用香港理工大学的PolyU_Palmprint_Database掌纹库来验证三种 特征提取方法和融合策略方法的有效性。对一幅图像的定位分割采用David Zhang 等(D. Zhang, ff. Kong, J. You, M. Wong. Online palmprint identification[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2003, 25(9):1041 - 1050.) 提出的方法，得到128X128的掌纹感兴趣区域。
[0157] 实验时，从PolyU掌纹库中随机选取100个人，每人6幅掌纹图像共600幅掌纹图 像作为实验对象，每幅图像的分辨率为75dpi，大小为384X 284。随机取每人的3幅图像组 成训练集，另外3幅图像组成识别集，这样训练集和识别集就各有300个样本。
[0158] 表1给出了使用二维Gabor相位编码、改进的有限Radon变换和双向主成分分析 法算法，分别提取纹理、主线和整体特征的掌纹识别结果，表1给出了使用三种特征提取方 法对掌纹的识别结果。
[0159] 表1采用三种特征提取方法的识别对比分析
[0160]
[0161] 从表1的识别结果可以得出：用BDPCA提取的掌纹整体特征识别率最高为96%， 特征维数为64,主线特征为92. 5%，纹理特征最低为84. 3%。这表明，不同的掌纹特征描述 掌纹的性能不同。
[0162] 表2给出了利用上述三种特征使用K近邻分类器方法，得到的与待识别样本T的k 个近邻的分类结果，采取Borda投票策略决策融合规则和基于模糊融合机制的决策层融合 规则进行多特征融合识别结果对比。
[0163] 表2特征融合的识别结果
[0164]
[0165] 从表2的识别结果可以得出：多特征融合后的正确识别率有所提高，其中基于投 票策略的决策融合比基于模糊的决策融合效果好，这与纹理特征识别率较低有关。
[0166] 从实验结果可以看出，本发明利用上述三种特征得到的识别结果，采用K近邻分 类器和基于投票策略可得到100%的正确识别率。
【主权项】
1. 一种基于局部和全局特征融合的掌纹识别方法，其特征在于：具体包括以下步骤： 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； 步骤2 :对提取掌纹的纹理特征使用Hamming距离进行分类选取，得到纹理选取特征； 对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，得到主线选取特征；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，得到整体选取特征； 步骤3 :对纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法，得到 的与待识