專利名稱：一種基于特征關(guān)系度量的手部特征融合認(rèn)證方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于特征關(guān)系度量的手部特征融合認(rèn)證方法。屬于模式識(shí)別和安全認(rèn)證技術(shù)領(lǐng)域，是在對(duì)手部圖像分析的基礎(chǔ)上，得到手形、掌紋、指節(jié)紋特征，并基于關(guān)系度量進(jìn)行特征級(jí)信息融合，實(shí)現(xiàn)身份鑒別方法。
背景技術(shù)：
生物特征識(shí)別技術(shù)是解決當(dāng)前社會(huì)信息化、數(shù)字化、網(wǎng)絡(luò)化發(fā)展中安全問(wèn)題的首選方案，被譽(yù)為21世紀(jì)十大最具有前景的高新技術(shù)之一。發(fā)展基于生物特征識(shí)別技術(shù)的身份認(rèn)證，與公眾自身利益息息相關(guān)，是本世紀(jì)社會(huì)經(jīng)濟(jì)發(fā)展的需求，是牽涉到國(guó)家利益的戰(zhàn)略需求。但當(dāng)前的生物特征識(shí)別技術(shù)還不夠成熟，盡管手形、掌紋、聲紋、指紋、人臉、虹膜、筆跡、步態(tài)、DNA、視網(wǎng)膜等識(shí)別方式都已經(jīng)有了眾多的研究成果和大量的專利產(chǎn)品，但相應(yīng)系統(tǒng)都有一定缺陷，不能完全滿足準(zhǔn)確性、可接受性、普適性、可采集性等綜合要求。
基于信息融合的多模態(tài)識(shí)別是公認(rèn)的最佳解決方案，可以說(shuō)，“多模技術(shù)使得生物特征識(shí)別技術(shù)可行”。單一生物特征識(shí)別的識(shí)別能力有限，謀求突破性進(jìn)展越來(lái)越困難，已經(jīng)成為生物特征識(shí)別研究的瓶頸。提高識(shí)別效果的最佳途徑有兩個(gè)增加對(duì)樣本的先驗(yàn)知識(shí)或增加對(duì)樣本其它形式的觀測(cè)。在難以增加既定樣本知識(shí)的學(xué)習(xí)程度的情況下，多模生物特征識(shí)別應(yīng)運(yùn)而生，成為生物特征識(shí)別領(lǐng)域的重要研究?jī)?nèi)容。
實(shí)驗(yàn)證明，多模系統(tǒng)能提高了系統(tǒng)的安全性能、普適性和抗偽造能力，但當(dāng)前的研究尚處于初期階段，存在許多薄弱環(huán)節(jié)●已有的研究集中于決策級(jí)融合。在信息融合的三個(gè)級(jí)別數(shù)據(jù)級(jí)(像素級(jí))、特征級(jí)和決策級(jí)融合中，決策級(jí)融合理論已經(jīng)相當(dāng)成熟。但其本質(zhì)上是對(duì)多個(gè)識(shí)別的結(jié)果進(jìn)行融合，因而丟棄了大量特征信息與類別信息，是次優(yōu)的方法。
●特征級(jí)融合更能體現(xiàn)融合的優(yōu)勢(shì)，但缺乏研究。雖然學(xué)界普遍承認(rèn)特征級(jí)融合能最大程度的保留原始信息、增強(qiáng)系統(tǒng)性能，達(dá)到比決策級(jí)融合更好的效果，但A.K.Jain指出它存在特征空間不兼容問(wèn)題(如不同特征的維數(shù)、量綱、動(dòng)態(tài)變化不一致)，且融合可能使新特征空間維數(shù)更高，帶來(lái)維數(shù)災(zāi)難，當(dāng)前已有的特征直接“拼接”等方法沒(méi)有理論根據(jù)，難于得到好的效果。帶來(lái)這些問(wèn)題的本質(zhì)原因是特征空間的相互關(guān)系沒(méi)有被認(rèn)識(shí)發(fā)現(xiàn)，在研究該問(wèn)題的基礎(chǔ)上可以有效實(shí)現(xiàn)特征級(jí)融合，填補(bǔ)融合理論研究的空白。
●選取哪些生物特征進(jìn)行融合大都取決于實(shí)驗(yàn)室的已有工作而不是實(shí)際需求，融合可能造成數(shù)據(jù)可采集性差、數(shù)據(jù)庫(kù)管理負(fù)擔(dān)增加、系統(tǒng)易用性降低和系統(tǒng)復(fù)雜度、成本的提高，如何減小這些因素的影響仍無(wú)針對(duì)性研究。

發(fā)明內(nèi)容
本發(fā)明的目的在于改進(jìn)現(xiàn)有技術(shù)之缺點(diǎn)，提出新的基于關(guān)系度量的特征級(jí)融合算法，克服決策級(jí)融合及已有的特征級(jí)融合算法的缺陷；并遵循準(zhǔn)確性、魯棒性和易用性等實(shí)用化要求，選取手形、掌紋、指節(jié)紋等手部特征作實(shí)現(xiàn)融合系統(tǒng)，從理論基礎(chǔ)和實(shí)現(xiàn)方法兩方面最優(yōu)化多模生物特征識(shí)別系統(tǒng)。而提供一種基于特征關(guān)系度量的手部特征融合認(rèn)證方法。
為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案由以下五個(gè)步驟步驟1，利用圖像采集設(shè)備進(jìn)行圖像采集；步驟2，對(duì)采集的圖像樣本進(jìn)行預(yù)處理確定基準(zhǔn)點(diǎn)、獲取目標(biāo)區(qū)域并進(jìn)行灰度歸一化；步驟3，特征提取提取手形、掌紋、指節(jié)紋特征；步驟4，基于特征關(guān)系度量對(duì)手形、掌紋和指節(jié)紋特征進(jìn)行融合形成新的手部特征空間；步驟5，對(duì)手部特征空間中的特征點(diǎn)進(jìn)行分類并得到最終結(jié)果。
本發(fā)明技術(shù)方案細(xì)節(jié)如下1、原始圖像樣本采集。用圖像采集設(shè)備如數(shù)碼相機(jī)、數(shù)碼攝像頭或?qū)Ｓ貌杉O(shè)備采集手部圖像；2、提取手形、掌紋、指節(jié)紋的感興趣區(qū)域與預(yù)處理。其方法為采用邊緣提取與跟蹤的方法得到手形輪廓，該輪廓即為手形樣本。在輪廓上求得中指、無(wú)名指指谷點(diǎn)來(lái)確定掌紋感興趣區(qū)域。指節(jié)紋定義為手指第二指關(guān)節(jié)處的皮膚內(nèi)表面粗大紋理，即屈肌線紋路，通過(guò)手形輪廓的極值點(diǎn)、模板提取二次定位可得到對(duì)應(yīng)的指節(jié)紋圖像。對(duì)掌紋、指節(jié)紋感興趣區(qū)域進(jìn)行灰度歸一化、去噪等預(yù)處理，得到對(duì)應(yīng)的掌紋、指節(jié)紋樣本。
3、提取手形、掌紋、指節(jié)紋特征，提取方法為在手形輪廓上求出手形的形心，并按等間隔角度取邊界點(diǎn)形成手指的形心距矢量作為手形特征；基于改進(jìn)的二維主成分分析提取掌紋特征；采用紋理分析方法，基于Gabor小波分析得到指節(jié)紋特征。
4、基于特征關(guān)系度量對(duì)手形、掌紋、指節(jié)紋特征進(jìn)行融合，實(shí)現(xiàn)方法為分別求各個(gè)特征的關(guān)系度量，融合不同的關(guān)系度量形成關(guān)系空間，對(duì)關(guān)系空間降維得到新的手部特征空間。關(guān)系度量是指兩兩樣本之間，在同一特征描述下的某種關(guān)系，由算子A描述；關(guān)系度量融合由算子B描述；特征空間形成由算子C描述。
算子A、B、C可采用多種方法實(shí)現(xiàn)。算子A實(shí)現(xiàn)方式有(1)通過(guò)樣本間相關(guān)性分析實(shí)現(xiàn)；(2)基于核學(xué)習(xí)方法，使用Sigmoid、徑向基或多項(xiàng)式非線性相關(guān)函數(shù)實(shí)現(xiàn)；(3)樣本空間拓?fù)潢P(guān)系，通過(guò)流形學(xué)習(xí)、自組織映射、多尺度變換等方法得到低維特征樣本近鄰關(guān)系表示，形成關(guān)系度量；(4)求取圖像樣本間相似度或圖像屬于某類別的置信度，表示關(guān)系度量。算子B采用決策級(jí)融合算子實(shí)現(xiàn)，并對(duì)融合后的新的關(guān)系空間進(jìn)行降維，形成融合后的特征空間。決策級(jí)融合算子包括平均與加權(quán)和、乘積、最大與最小、貝葉斯方法、決策模板等算子。算子C采用子空間分析的方法，包括主成分分析、非線性主成分分析、獨(dú)立成分分析等方法。
5、求得測(cè)試樣本在新的手部特征空間得投影，從而得到融合特征，然后對(duì)融合特征進(jìn)行分類判決。使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法對(duì)手部特征空間中的特征點(diǎn)進(jìn)行分類并得到最終結(jié)果。
本發(fā)明的優(yōu)點(diǎn)如下(1)手部特征融合方法提高了系統(tǒng)的安全性和魯棒性，有廣泛的應(yīng)用前景；(2)多種手部特征可由同一幅圖像提取，多模態(tài)生物特征融合的一些缺點(diǎn)如系統(tǒng)復(fù)雜度、成本、用戶接受度、數(shù)據(jù)庫(kù)管理問(wèn)題都可得到解決；不同特征在同一幅圖像中提取，因而在數(shù)據(jù)級(jí)呈強(qiáng)耦合狀態(tài)，可避免耦合問(wèn)題(如不同傳感器內(nèi)部參數(shù)改變、兩特征對(duì)應(yīng)外部環(huán)境的不同改變等等)帶來(lái)的誤差，從而可以更準(zhǔn)確地驗(yàn)證識(shí)別算法；(3)使用基于關(guān)系度量的特征級(jí)融合算法，克服了特征空間不兼容、融合維數(shù)災(zāi)難等問(wèn)題，避免了決策級(jí)融合丟失大量類別信息、不能從較低的層次分析不同模態(tài)信息的相關(guān)性的缺點(diǎn)，也克服了當(dāng)前直接對(duì)不同特征進(jìn)行拼接帶來(lái)的特征空間不兼容、特征維數(shù)增高等特征級(jí)融合算法的缺點(diǎn)。


圖1、基于關(guān)系度量的手部特征融合生物認(rèn)證系統(tǒng)框圖；圖2、手部特征定位預(yù)處理中，基準(zhǔn)點(diǎn)確定的示意圖；圖3、手形、掌紋與指節(jié)紋感興趣區(qū)域(ROI)獲取的示意圖；圖4、手形、掌紋與指節(jié)紋感興趣區(qū)域預(yù)處理后的圖像例；圖5、手形形心距序列特征提取示意圖；圖6、指節(jié)紋定義示意圖；圖7、特征級(jí)融合算法示意圖。
具體實(shí)施例方式
圖1為基于關(guān)系度量的手部特征融合生物認(rèn)證系統(tǒng)框圖。
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。實(shí)施步驟為第一步，手部圖像的采集。用戶將手放置在固定位置，五指自然張開(kāi)，掌心朝向鏡頭，由數(shù)碼相機(jī)或攝像機(jī)采集灰度圖像，圖像為分辨率約為100dpi。設(shè)本例中采集訓(xùn)練樣本M幅，測(cè)試樣本N幅。
第二步，手部圖像預(yù)處理，分為基準(zhǔn)點(diǎn)確定、感興趣區(qū)域的獲取與灰度歸一化三步。
一、基準(zhǔn)點(diǎn)確定(圖2)1、對(duì)原始圖像圖2(1)進(jìn)行二值化處理，閥值為T(mén)(＝0.3)，并對(duì)二值圖像進(jìn)行中值濾波，得到圖2(2)所示圖像；2、使用sobel算子提取手部圖像邊緣，并對(duì)邊緣跟蹤得到邊緣點(diǎn)序列，如圖2(3)；3、在邊緣點(diǎn)序列中定義9個(gè)基準(zhǔn)點(diǎn)如圖2(3)所示，指尖點(diǎn)為a、c、e、g，指根點(diǎn)為b、d、f，指邊緣點(diǎn)a’、g’。如圖2(4)，通過(guò)對(duì)邊緣點(diǎn)序列的橫坐標(biāo)序列線性濾波、搜索極大極小值即可確定指尖、指根點(diǎn)。設(shè)算子P(a，b)為a、b兩點(diǎn)間包含的邊緣點(diǎn)數(shù)，則a’、g’點(diǎn)由P(a，a′)＝P(a，b)，P(g，g′)＝P(g，f)確定。
二、感興趣區(qū)域的定位(圖3)1、如圖3(1)，掌紋ROI在b、d、f確定的直角坐標(biāo)系中的四個(gè)頂點(diǎn)坐標(biāo)為(l，l)、(l，3l)、(-l，l)、(-l，3l)，其中，l＝bd。確定該區(qū)域后，將區(qū)域內(nèi)部圖像經(jīng)過(guò)旋轉(zhuǎn)得到正方的掌紋ROI；2、如圖3(2)，手形ROI為食指、中指、無(wú)名指、小指對(duì)應(yīng)的各個(gè)ROI，由所得的9個(gè)基準(zhǔn)點(diǎn)確定。以中指為例，其ROI由b、c、d三點(diǎn)確定，且cm′＝3.5bd。將得到圖像旋轉(zhuǎn)得到手形ROI。
3、如圖3(3)，由手形ROI的radon投影確定指節(jié)紋大概位置k。將k附近圖像進(jìn)行特征線提取，提取模板為H＝[-1，-1，-1，6，-1，-1，-1]，再經(jīng)過(guò)二值化及排除孤立點(diǎn)的形態(tài)學(xué)操作，得到圖3(4)所示的指節(jié)紋特征點(diǎn)。對(duì)圖3(4)中圖像再進(jìn)行radon投影進(jìn)一步確定指節(jié)紋位置，最后得到圖3(5)所示的指節(jié)紋ROI。
三、將手形、掌紋、指節(jié)紋ROI分別歸一化到30×90、64×64、32×32；對(duì)手形ROI進(jìn)行二值化，閥值為T(mén)(＝0.3)，并進(jìn)行窗口5×5的中值濾波；對(duì)掌紋、指節(jié)紋ROI分別進(jìn)行灰度歸一化并進(jìn)行窗口為8×8的維納濾波進(jìn)行去噪。最終得到圖4所示的歸一化的手形、掌紋、指節(jié)紋ROI。
第三步，分別對(duì)手形、掌紋和指節(jié)紋圖像進(jìn)行特征提取。
一、手形特征手指邊緣的形心距序列如圖5所示，手形圖像經(jīng)過(guò)閾值分割、邊界跟蹤后，每個(gè)指形輪廓都可以表示為由一系列有序點(diǎn)構(gòu)成的點(diǎn)集，表示為{(xi，yi)，i＝1，2，...，N}，N是指形輪廓像素的點(diǎn)數(shù)，容易得到指形輪廓的形心為
cx=1NΣi=1Nxi,]]>cy=1NΣi=1Nyi---(1)]]>計(jì)算形心到輪廓邊界點(diǎn)的形心距ri=(xi-cx)2+(yi-cy)2i=1,2,...,N---(2)]]>這個(gè)形心到邊界點(diǎn)的形心距構(gòu)成了2D輪廓的1D特征矢量表達(dá)，這樣每個(gè)指形輪廓都表達(dá)為一個(gè)形心距的序列{r1，r2，...rN}。形成1D的形心距序列的方式為等間隔角度取邊界點(diǎn)以相同的角度θ＝2π/N選擇序列{ri}，每個(gè)手指取200個(gè)邊界點(diǎn)，連接成800維的手形特征矢量。對(duì)這個(gè)距離矢量用最大形心距離進(jìn)行尺寸歸一化，實(shí)現(xiàn)尺度不變性。
二、基于改進(jìn)的二維主成分分析(I2D-PCA)提取掌紋特征1、根據(jù)Yang等提出的2D-PCA算法，將m×n維掌紋圖像序列Ij(j＝1，2，...，M)作為訓(xùn)練樣本，求圖像散度矩陣Gi=1MΣj=1N(Ij-I‾)T(Ij-I‾)---(3)]]>其中I‾=1MΣi=1MIi]]>為圖像均值。則其前k(k≤min(m，n))個(gè)最大特征值對(duì)應(yīng)的特征向量ui(i＝1，2，…，k)組成n×k變換矩陣U2d-pca，fj＝IjU2d-pcaj＝1，2，…，M (4)為樣本Ij(j＝1，2，…，M)的2D-PCA變換，每個(gè)樣本均由m×k維特征fj矩陣表示。
2、fj實(shí)質(zhì)上是訓(xùn)練樣本去行相關(guān)所得到的特征表示，其列相關(guān)特性仍保留在2D-PCA分析后的特征中，使得特征仍處于較高維度的空間。I2D-PCA是對(duì)fj列相關(guān)進(jìn)一步去除的改進(jìn)算法。其理論根據(jù)給出如下。
對(duì)于給定的m×n維圖像I，定義線性變換T＝RIC為I2D-PCA變換，滿足
{c1,c2,···,cp,r1,r2,···rq}=argmaxtr(St)ciTcj=0,i≠j,i,j=1,···,p p<nrirjT=0,i≠j,i,j=1,···,q q<min(m,p)---(5)]]>其中St＝ε[(F-εF)(F-εF)T]為變換后數(shù)據(jù)整體散度，C為I的列去相關(guān)矩陣，由列矢量ci(i＝1，2，…，p)構(gòu)成，R為I的行去相關(guān)矩陣，由行矢量ri(i＝1，2，…，q)構(gòu)成。
由(5)式可得T＝RIC＝(R(IC))＝((IC)TRT)T(6)可證明在q＝p的情況下第二次特征提取能維持總體數(shù)據(jù)散度保持不變。即可通過(guò)兩次2D-PCA運(yùn)算實(shí)現(xiàn)I2D-PCA。具體實(shí)現(xiàn)方法為首先，根據(jù)(4)，先求得第一次變換fj＝IjU2d-pca中的列去相關(guān)矩陣U2d-pca，該矩陣即為(5)中的C；其次，求fjT的列去相關(guān)矩陣RT，由(6)式得R即為原樣本I的行去相關(guān)陣。
求(4)中得出的fj′(j＝1，2，…，M)矢量的散度矩陣Gt1=1MΣj=1M(fj′-f′‾)T(fj′-f′‾)---(7)]]>其中f‾′=1MΣi=1Mfi′.]]>則其前q個(gè)最大特征值對(duì)應(yīng)的特征向量組成m×q變換矩陣R，最終特征表示為FI2D-PCA＝RIC (8)3、將得到的p×q維特征轉(zhuǎn)化為(p×q)×1的矢量表示，得到掌紋的I2D-PCA特征。在此例中選擇p＝q＝20，即得到的掌紋特征維數(shù)為400。
三、基于Gabor小波分析的指節(jié)紋特征1、指節(jié)紋的定義如圖6所示，通常意義上的指節(jié)紋是指關(guān)節(jié)內(nèi)部皮膚的屈肌線，通過(guò)我們的研究，第二指節(jié)的指節(jié)紋模式很豐富，不同人的模式相差很大，因而我們定義各個(gè)指頭的第二指節(jié)的皮膚內(nèi)表面屈肌線為“指節(jié)紋”并展開(kāi)研究。指節(jié)紋和掌紋一樣，都是具有長(zhǎng)期穩(wěn)定性的生物特征，可以用來(lái)作為身份象征。
2、基于Gabor變換的指節(jié)紋的紋理特征Gabor函數(shù)是被復(fù)正弦函數(shù)調(diào)制的Gaussian函數(shù)。2D Gabor子波可表示為ψu,v(z)=||ku,v||2σ2e||ku,v||2||z||22σ2(eiku,vz-eσ22)---(9)]]>其中，u、v決定Gabor子波的方向和尺度，z＝(x，y)，ku,v=kveiφu,]]>kv＝kmax/fv，φu＝πu/8。f為頻域尺度間隔，kmax為最大頻率。
給定指節(jié)紋圖像z，其Gabor表示由下式得出Gu，v(x，y)＝Z(x，y)*ψu(yù)，v(x，y) (10)根據(jù)指節(jié)紋屈肌線方向較一致(φ＝π/2)的特點(diǎn)，選擇u＝4，v＝0描述指節(jié)紋紋理。此條件下得到64×64維Gabor展開(kāi)后，將其合并為一個(gè)4096維向量，并對(duì)該向量進(jìn)行下采樣(采樣頻率為1/8)，即可得到512維的指節(jié)紋紋理特征表示。
第四步，如圖7所示，對(duì)手形、掌紋、指節(jié)紋特征進(jìn)行融合，形成新的手部特征空間。
一、分別求各個(gè)特征的關(guān)系度量任取特征P(如掌紋)下的兩個(gè)樣本Im、In，其特征列矢量分別為Xm、Xn，定義算子A(Xm，Xn)描述X、Y之間的關(guān)系，則關(guān)系度量K＝{A(Xm，Xn)|m，n＝1，...，M}，K可表示為M×M維矩陣的形式。算子A實(shí)現(xiàn)方式有(1)通過(guò)樣本間相關(guān)性分析實(shí)現(xiàn)；(2)基于核學(xué)習(xí)方法，使用Sigmoid、徑向基或多項(xiàng)式非線性相關(guān)函數(shù)實(shí)現(xiàn)；(3)樣本空間拓?fù)潢P(guān)系，通過(guò)流形學(xué)習(xí)、自組織映射、多尺度變換等方法得到低維特征樣本近鄰關(guān)系表示，形成關(guān)系度量；(4)求取圖像樣本間相似度或圖像屬于某類別的置信度，表示關(guān)系度量。
在本例中，算子A選擇多項(xiàng)式核函數(shù)，即A(Xm,Xn)=(γXmTXn+r)d,γ>0---(11)]]>本例中選擇γ＝r＝1，d＝0.7。根據(jù)關(guān)系算子(11)，求得手形、掌紋、指節(jié)紋的關(guān)系度量KShape、KPalm及KKnuckle。
二、不同關(guān)系度量的融合
對(duì)不同的特征使用了共同的關(guān)系算子A，得到了各個(gè)特征對(duì)應(yīng)的關(guān)系空間，這個(gè)關(guān)系空間是有共性的，可以通過(guò)融合算子B進(jìn)行融合。算子B可借鑒決策級(jí)融合算子實(shí)現(xiàn)，并對(duì)融合后的新的關(guān)系空間進(jìn)行降維，形成融合后的特征空間。決策級(jí)融合算子包括平均與加權(quán)和、乘積、最大與最小、貝葉斯方法、決策模板等算子。
在本例中使用乘積算子得到融合后的關(guān)系空間，即KFusion＝B(KShape，KPalm，KKnuckle)＝Kshape.×Kpalm.×KKnuckle(12)三、對(duì)關(guān)系空間降維得到新的特征空間F融合后的空間KFusion即可描述任意手部樣本，但投影到該空間的手部特征仍為樣本數(shù)M維。在樣本量相當(dāng)大的情況下空間存在冗余，因而采用降維算子C對(duì)該空間進(jìn)行降維處理。算子C采用成分分析的方法，包括主成分分析、非線性主成分分析、獨(dú)立成分分析等方法。
本例中選擇主成分分析(PCA)的方法實(shí)現(xiàn)C，即可以把KFusion看作手部特征相關(guān)矩陣，對(duì)其進(jìn)行特征值分解，得到前λ個(gè)最大特征值對(duì)應(yīng)特征向量{αi|i＝1，...，λ}，可由{αi|i＝1，...，λ}構(gòu)成的空間F。
第五步，對(duì)測(cè)試樣本進(jìn)行判決分類。
一、求測(cè)試樣本在特征空間F的投影給定任意手部圖像I作為測(cè)試樣本，通過(guò)上述第一、二、三步得到其手形、掌紋與指節(jié)紋特征矢量fShape、fPalm、fKnuckle，即可由式(13)求得在空間F中的融合特征fFusion＝C{B[A(fShape，{si})，A(fPalm，{pi})，A(fKnucklc，{ki})]}，i＝1，...，M(13)其中，{si}、{pi}、{ki}(i＝1，...，M)分別為步驟三中得到的手形、掌紋、指節(jié)紋的訓(xùn)練樣本特征集。在本例中，式(13)的實(shí)現(xiàn)可表示成fFusion＝FT·K (14)其中，K的每一行ki＝[(fShape·{si}+1)·(fPalm·{pi}+1)·(fKnuckle·{ki}+1)]0.7i＝1，...，M。
二、對(duì)新特征進(jìn)行分類判決使用神經(jīng)網(wǎng)絡(luò)方法對(duì)得到的手部特征在特征空間中進(jìn)行分類。
例中使用BP神經(jīng)網(wǎng)絡(luò)的方法，首先將訓(xùn)練集中的手部特征兩兩求差，得到類內(nèi)、類間樣本作為正、反樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出“0”，“1”表示認(rèn)證成功和拒絕。對(duì)該網(wǎng)絡(luò)進(jìn)行優(yōu)化與參數(shù)調(diào)整，訓(xùn)練后得到手部特征判決模型。
給定手部特征fFusion，將其與聲明類別的對(duì)應(yīng)手部特征相減并輸入訓(xùn)練好的BP網(wǎng)絡(luò)，即可得到判決輸出，完成身份認(rèn)證過(guò)程。
權(quán)利要求
1.一種基于特征關(guān)系度量的手部特征融合方法，其特征在于，該方法的步驟如下步驟1，利用圖像采集設(shè)備進(jìn)行圖像采集；步驟2，對(duì)采集的圖像樣本進(jìn)行預(yù)處理確定基準(zhǔn)點(diǎn)、獲取目標(biāo)區(qū)域并進(jìn)行灰度歸一化；步驟3，特征提取提取手形、掌紋、指節(jié)紋特征；步驟4，基于特征關(guān)系度量對(duì)手形、掌紋和指節(jié)紋特征進(jìn)行融合形成新的手部特征空間；步驟5，對(duì)手部特征空間中的特征點(diǎn)進(jìn)行分類并得到最終結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，步驟3中，使用邊緣提取和跟蹤的方法得到手形輪廓，并求得手指的形心距矢量作為手形特征；基于改進(jìn)的二二維主成分分析提取掌紋特征；采用紋理分析方法，基于Gabor小波分析得到指節(jié)紋特征。
3.根據(jù)權(quán)利要求1所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，步驟4中，分別求各個(gè)特征的關(guān)系度量，融合不同的關(guān)系度量形成關(guān)系空間，對(duì)關(guān)系空間降維得到新的手部特征空間。
4.根據(jù)權(quán)利要求1所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，步驟5中，首先求得測(cè)試樣本在新的手部特征空間的投影，從而得到融合特征，然后對(duì)融合特征進(jìn)行分類判決。
5.根據(jù)權(quán)利要求1所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，步驟2中的預(yù)處理包括對(duì)指節(jié)紋的預(yù)處理。
6.根據(jù)權(quán)利要求5所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，指節(jié)紋定義為手指第二關(guān)節(jié)處的皮膚內(nèi)表面粗大紋理，即屈肌線紋路。
7.根據(jù)權(quán)利要求5所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，通過(guò)確定手部圖像邊緣的極值點(diǎn)、模板提取二次定位可得到對(duì)應(yīng)的指節(jié)紋圖像。
8.根據(jù)權(quán)利要求1所述的基于特征關(guān)系度量的手部特征融合方法，其特征在于，步驟5中，使用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)手部特征空間中的特征點(diǎn)進(jìn)行分類并得到最終結(jié)果。
全文摘要
本發(fā)明是一種基于特征級(jí)融合算法的手部特征融合認(rèn)證方法，利用人的手形、掌紋、指節(jié)紋等手部生物特征，對(duì)采集到的圖像進(jìn)行預(yù)處理、特征提取，通過(guò)關(guān)系運(yùn)算算子得到特征關(guān)系度量，在這個(gè)度量的基礎(chǔ)上實(shí)現(xiàn)特征級(jí)信息融合，再對(duì)融合后的特征進(jìn)行分類識(shí)別得到最終身份認(rèn)證的結(jié)果。本發(fā)明的有益效果在于基于關(guān)系度量的特征級(jí)融合算法克服了特征空間不兼容、融合維數(shù)災(zāi)難等問(wèn)題，避免了決策級(jí)融合丟失大量類別信息、不能從較低的層次分析不同模態(tài)信息的相關(guān)性的缺點(diǎn)；多種手部特征可由同一幅圖像提取，解決了多模態(tài)生物特征融合的系統(tǒng)復(fù)雜度、成本、用戶接受度、數(shù)據(jù)庫(kù)管理等許多缺點(diǎn)，實(shí)現(xiàn)方案更具準(zhǔn)確性、安全性和適用性。
文檔編號(hào)G06K9/00GK1710593SQ20051001201
公開(kāi)日2005年12月21日 申請(qǐng)日期2005年6月27日 優(yōu)先權(quán)日2005年6月27日
發(fā)明者李強(qiáng), 裘正定, 孫冬梅, 丁曉明 申請(qǐng)人:北京交通大學(xué)