一種基于輪廓與邊緣紋理特征融合的掌紋識別方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明屬于掌紋識別技術(shù)領(lǐng)域，涉及一種基于輪廓與邊緣紋理特征融合的掌紋識 別方法。
【背景技術(shù)】：
[0002] 目前，基于生物特征識別的身份鑒別技術(shù)是一種高可靠性、高穩(wěn)定性的有效身份 鑒別方式。掌紋識別作為一種重要的生物特征，由于其成本低、友好性強、識別精度高等 優(yōu)點得到了研宄人員的廣泛關(guān)注，掌紋特征識別技術(shù)作為生物特征識別領(lǐng)域一種新興的技 術(shù)，在近十幾年中已經(jīng)取得了大量的科研成果，其發(fā)展非常迅速。
[0003] 掌紋含有豐富的紋理信息，包括主線、折皺、乳突紋等粗細(xì)不同的紋理特征，這些 特征具有穩(wěn)定性和唯一性，利用這些特征可以確定一個人的身份，主線和褶皺相對來講， 紋理較大，可以在低頻成分中提??；而乳突紋等細(xì)小紋理信息可以在高頻成分中提取。由 于不同人的主線和褶皺有很大的區(qū)別，苑瑋琦等（苑瑋琦，范永剛，柯麗.基于灰度曲面 匹配的掌紋識別方法[J].光電子?激光，2009, 2(K6) :807-811)將掌紋灰度圖像看作是 三維空間下的灰度曲面，并將該曲面作為特征進(jìn)行匹配，通過較大紋理存在的差異來計 算方差，進(jìn)而通過灰度曲面的凹凸程度來識別，該算法利用整幅圖像進(jìn)行匹配，丟失了部分 掌紋信息，在數(shù)據(jù)逐漸加大的情況下，識別率會降低；陳梓毅等（陳梓毅，康文雄，鄧飛 其.基于灰度差統(tǒng)計分析的掌紋線提取[J].計算機工程與設(shè)計，2011，32(2) :653-670) 利用灰度差統(tǒng)計，通過判斷對象點的灰度值和連續(xù)掌紋線點集的點數(shù)，提取出掌紋線的二 值圖像，最后通過隸屬度評價掌紋線的提取效果，該算法復(fù)雜度高，而且識別率低，不滿足 實時性要求。主線和褶皺并不是圖像的全部信息，乳突紋波動較大的細(xì)小紋理同樣是區(qū) 分掌紋的重要信息，利用分形對波動較大圖像處理的優(yōu)勢，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)使用分形維數(shù)作為特征向量提取圖像的紋理特征，同時 對比局部分形和全局分形算法，證明局部分形算法可以方便地找出圖片的變換復(fù)雜區(qū)域， 但局部分形維數(shù)算法復(fù)雜度高，不利于進(jìn)行中大型數(shù)據(jù)應(yīng)用；趙志剛等（趙志剛，吳鑫，洪 丹楓，潘振寬.基于信息熵的GLBP掌紋識別算法[J].計算機科學(xué)，2013, 41 (8) :293-296) 實現(xiàn)了一種利用信息熵進(jìn)行多層次描述的掌紋識別方法，加入了尺度方向信息，彌補了單 一特征描述不準(zhǔn)確的缺陷；潘新等（Pan X，Ruan Q, Wang Y. Palmprint Recognition Using ContourIets-based Local Fractal Dimensions. ICSP2008Proceedings, pp. 2108-2111) 提出了一種基于Contourlet和局部分形結(jié)合的掌紋識別方法，該方法雖然有較高的識別 率，初步解決了尺度方向的問題，而且結(jié)合分形維數(shù)有效描述圖像紋理粗糙程度，為掌紋識 別算法提供了新的思路，但算法復(fù)雜度高，不能滿足實時性要求。

【發(fā)明內(nèi)容】
：
[0004] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺點，尋求設(shè)計提供一種基于輪廓與邊緣 紋理特征融合的掌紋識別方法，通過均值濾波器將掌紋圖像分為低頻和高頻兩部分，并采 用分塊思想對獲得圖像進(jìn)行處理，分別采用灰度直方圖處理掌紋低頻特征，差分盒子維處 理掌紋高頻特征，降低復(fù)雜度，提高識別時間和識別精度，能夠?qū)崟r識別掌紋。
[0005] 為了實現(xiàn)上述目的，本發(fā)明首先對圖像進(jìn)行預(yù)處理，運用均值濾波將掌紋圖像分 解為圖像輪廓（低頻成分）和圖像邊緣紋理（高頻成分），分別采用灰度直方圖和差分盒子 維進(jìn)行特性提取，最后使用通用的卡方距離進(jìn)行匹配，具體步驟如下：
[0006] (1)、選取掌紋圖像：從掌紋數(shù)據(jù)庫中選取200個人的掌紋圖像作為樣本，并對每 個人的掌紋圖像進(jìn)行編號，其中每個人10幅圖像，共2000張掌紋圖像，隨機選取每個人的 一張圖像作為訓(xùn)練圖像，剩余9張作為測試圖像；
[0007] (2)、均值濾波分解掌紋圖像：采用均值替代掌紋圖像中的各個像素值，對掌紋圖 像中的像素點（X，y)，選擇由其鄰近的像素組成的模板，計算得到模板中所有像素的均值， 再把該均值賦予當(dāng)前像素點（X，y)，作為處理后圖像在該點上的灰度g(x，y)，然后對掌紋 圖像進(jìn)行均值濾波，得到圖像輪廓（低頻層）和圖像邊緣紋理（高頻層）；
[0008] (3)、灰度直方圖提取圖像輪廓特征：將步驟（1)得到的掌紋圖像進(jìn)行分塊，每塊 區(qū)域為16X16像素，然后使用現(xiàn)有技術(shù)中的灰度直方圖對每塊區(qū)域進(jìn)行灰度統(tǒng)計，作為 該區(qū)域的特征向量，并聯(lián)融合每個區(qū)域特征向量，得到圖像輪廓特征；
[0009] (4)、差分盒子維提取圖像邊緣紋理特征：將步驟（1)得到的掌紋圖像進(jìn)行分塊， 每塊區(qū)域為4 X 4或8 X 8像素，采用現(xiàn)有技術(shù)中的差分盒子維方法得到掌紋圖像的盒子數(shù)， 即為圖像邊緣紋理特征；
[0010] (5)特征融合：將圖像輪廓特征與圖像邊緣紋理特征并行融合，即向量串聯(lián)，得到 能夠代表掌紋圖像特征數(shù)據(jù)的最終特征向量；
[0011] (6):卡方距離匹配：先采用通用的卡方距離來度量，特征空間的樣本卡方距離 為：
[0012]
【主權(quán)項】
1. 一種基于輪廓與邊緣紋理特征融合的掌紋識別方法，其特征在于先對圖像進(jìn)行預(yù)處 理，運用均值濾波將掌紋圖像分解為圖像輪廓和圖像邊緣紋理，分別采用灰度直方圖和差 分盒子維進(jìn)行特性提取，最后使用通用的卡方距離進(jìn)行匹配，具體步驟如下： (1) 、選取掌紋圖像：從掌紋數(shù)據(jù)庫中選取200個人的掌紋圖像作為樣本，并對每個人 的掌紋圖像進(jìn)行編號，其中每個人10幅圖像，共2000張掌紋圖像，隨機選取每個人的一張 圖像作為訓(xùn)練圖像，剩余9張作為測試圖像； (2) 、均值濾波分解掌紋圖像：采用均值替代掌紋圖像中的各個像素值，對掌紋圖像中 的像素點（X，y)，選擇由其鄰近的像素組成的模板，計算得到模板中所有像素的均值，再把 該均值賦予當(dāng)前像素點（X，y)，作為處理后圖像在該點上的灰度g(x，y)，然后對掌紋圖像 進(jìn)行均值濾波，得到圖像輪廓和圖像邊緣紋理； (3) 、灰度直方圖提取圖像輪廓特征：將步驟（1)得到的掌紋圖像進(jìn)行分塊，每塊區(qū)域 為16X 16像素，然后使用現(xiàn)有技術(shù)中的灰度直方圖對每塊區(qū)域進(jìn)行灰度統(tǒng)計，作為該區(qū)域 的特征向量，并聯(lián)融合每個區(qū)域特征向量，得到圖像輪廓特征； (4) 、差分盒子維提取圖像邊緣紋理特征：將步驟（1)得到的掌紋圖像進(jìn)行分塊，每塊 區(qū)域為4 X 4或8 X 8像素，采用現(xiàn)有技術(shù)中的差分盒子維方法得到掌紋圖像的盒子數(shù)，即為 圖像邊緣紋理特征； (5) 特征融合：將圖像輪廓特征與圖像邊緣紋理特征并行融合，即向量串聯(lián)，得到能夠 代表掌紋圖像特征數(shù)據(jù)的最終特征向量； (6) :卡方距離匹配：先采用通用的卡方距離來度量，特征空間的樣本卡方距離為：
其中，S為測試圖像的最終特征向量，M為訓(xùn)練圖像的最終特征向量，i為圖像編號，i取 值為1-200的整數(shù)；再根據(jù)最小的X 2值為匹配的掌紋圖像，對比編號是否符合同一個人， 即能判斷識別的正確與否。
【專利摘要】本發(fā)明屬于掌紋識別技術(shù)領(lǐng)域，涉及一種基于輪廓與邊緣紋理特征融合的掌紋識別方法，先對圖像進(jìn)行預(yù)處理，運用均值濾波將掌紋圖像分解為圖像輪廓和圖像邊緣紋理，分別采用灰度直方圖和差分盒子維進(jìn)行特性提取，最后使用通用的卡方距離進(jìn)行匹配，其方法簡單，原理科學(xué)，識別時間短，識別精度高，能實時識別掌紋，為身份識別提供了一種快速有效的識別方法。
【IPC分類】G06K9-00
【公開號】CN104636721
【申請?zhí)枴緾N201510021336
【發(fā)明人】魏偉波, 王剛, 賈夢琦, 洪丹楓, 王靜
【申請人】青島大學(xué)
【公開日】2015年5月20日
【申請日】2015年1月16日