基于脊波变换的掌纹识别方法

合集下载

掌纹诊病的精细纹路识别与提取方法

掌纹诊病的精细纹路识别与提取方法根据掌纹中特征的表示以及匹配方法, 可大致将掌纹识别方法分为四个类别, 分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法. 此外, 我们还列出了一些不属于这些类别的方法.2.1 基于结构的方法基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法. 这一类的方法主要由两部分组成: 1) 提取掌纹中的纹线特征; 2) 纹线特征的有效表示和匹配. 线特征的有效表示主要是指便于匹配, 并且占用尽可能少的存储空间. 对于特征的提取, 较多使用的是各种线检测算子以及边缘检测算子; 对于特征的表示, 主要是采用直线段或特征点代替掌纹纹线; 而特征的匹配大多采用特征点之间的欧氏距离或Hausdor® 距离, 以及用于线段匹配的Hausdor® 距离等.2.2 基于统计的方法基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法, 可进一步分为基于局部统计量和全局统计量的方法. 其中基于局部统计量的方法需要将图像分成若干小块, 之后统计每块的均值和方差等统计信息, 最后连接为表示整个掌纹的特征向量; 而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征. 匹配时, 一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.2.3 基于子空间的方法子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换, 将其转化为低维向量或矩阵, 并在此低维空间下对掌纹表示和匹配. 根据投影或变换的性质, 子空间方法可以分为线性子空间方法和非线性子空间方法. 目前应用较为广泛的是线性子空间方法, 主要包括独立成分分析(Independent component analysis, ICA)、主成分分析(Principal component analysis, PCA)、线性判别分析(Lineardiscriminant analysis, LDA) 等. 与前两类方法不同, 基于子空间的方法大都需要对每个类别的掌纹图像构造训练集, 在该训练集上计算最优的投影向量或矩阵, 并将投影后的向量或矩阵作为该类掌纹的特征. 在识别阶段, 首先对待测掌纹图像作相同投影或变换, 之后采用最近邻或最近特征线(Nearestfeature line, NFL) 分类器分类. 基于子空间的方法已成功地应用于人脸识别, 移植到掌纹识别后也取得了很好的效果.2.4 基于编码的方法基于编码的方法是指先用滤波器对掌纹图像滤波, 之后根据某些规则将滤波后的结果进行编码的方法. 通常特征都按照比特码的形式存储, 对得到的特征码多采用二进制的\与" 或者\异或" 计算相似度. 该类方法主要包括三个核心部分: 滤波器的选择(Gabor, 高斯, 高斯的导数), 编码规则(最大值, 序数关系), 以及匹配方式(点对点, 点对区域).总的来说, 基于结构的方法识别精度低, 特征所需的存储空间大, 而且匹配速度慢; 基于编码的方法识别精度高, 特征小, 而且匹配速度快, 是各类方法中最具有优势的一类;而基于统计的方法和基于子空间的方法的识别精度和识别速度介于两者之间.下面介绍几种识别方法：一、《Latent Palmprint Matching》提出的潜掌纹(Latent palmprint) 识别方法针对部分掌纹与全部掌纹间匹配的特点, 提出了以细节点码(Minutia code)作为局部特征, 先进行局部匹配, 再进行全局匹配的方法.二、《基于非采样Contouriet变换与局部二值模式的掌纹特征提取》提出了一种对掌纹图像的平移、旋转和光照鲁棒的掌纹识别算法，即基于非采样的Contourlet与L即结合的掌纹特征提取算法。

基于脊线跟踪的指纹细节特征提取

Ｍｉｕｉｔｃｉｎ０ｉｇｒｒｎｓｄ０ａｉｇＲｉｇｓｎｔａＤｅｅｔｏｆＦｉｅｐｉｔＢａｅｎＴｒｃｎｄｅｎ
ＪＡＮＧＨｏｇｈｏＺＨＡＮＧｏｉＩｎｃａ，Ｇａｗｅ
（ｅｔｏＡｔｍａｉｎＵｎｖｒｔｆｃｅｃｎｅｈｏｏｙｏｉａＨｆｉ３０７Ｄｐ．ｆｕｏｔ．ｉｅ：ｙｏｉｎｅａｄＴｃｎｌｇｆｎ，ｅｅ２０２）ｏｄＳＣｈ
１概述
１．１前提条件在指纹图像的预处理过程中已经获得了效果比较好的细
化二值指纹图像、指纹图像的方向图和脊线问平均距离。
计算得到的Ｐ不会为０值，理论上单中心点的Ｐ值为万，双
中心点的Ｐ值为２，三角点的Ｐ值为一７７【【，而普通点的方向变化和为０，其Ｐ也为０值。
中围分类号：Ｔ３１Ｐ１
基于脊线跟踪的指纹细节特征提取
姜红超，张高伟
（中国科学技术大学自动化系，合肥２０２）３０７
摘
要：提出了一种基于脊线跟踪的指纹细节特征提取方法。该方法用脊线跟踪的方法来寻找和验证特征点，用相对于中心点的位置来定

位特征点，因此能排除按捺指纹时产生的因为图像旋转、扭曲和变形造成的干扰，大提高了指纹识男时的精度。大０关健词：指纹；脊线跟踪；细节特征提取
ａｄｌｃｔｓｔｅｗｉｈｔｅｒｒｌｔｅｐｓｔｎｔｈｅｔａａｎｆｔｎｅｒｎｍａｅＩｃｎｒｍｏｅｔｅｄｉｔｒａｃｆｔｅｆｎｅｒｎｍａｅＳｎｏａｅｈｍｔｈｉｅａｉｏｉｏＯｔｅｃｎｒｌｐｉｔｏｖｉｈｅｆｇｒｉｔｉｇ．ｔａｅｖｈｓｕｂｎｅｏｇｒｉｔｉｐｈｉｐｉｇ ’ ｒｔｔｏｎｉｔｒｉｎｇｅｔｎａｃｈｒｃｓｏｆｔｎｅｐｉｔｅｉｉａｉｎｏａｉｎａｄｄｓｏｔｏ，ｒａｌｅｈｎｅｔｅｐｅｉｉｎｏｇ：ｒｎｒｆｃｔｏ．ｙｉｖ

基于小波变换的掌纹特征提取

ISSN 100020054CN 1122223 N 清华大学学报(自然科学版)J T singhua U niv (Sci &Tech ),2003年第43卷第8期2003,V o l .43,N o .812 36104921051,1055基于小波变换的掌纹特征提取苏晓生,　林喜荣,　丁天怀,　周云龙,　宋　炯(清华大学精密仪器与机械学系,精密测试技术及仪器国家重点实验室,北京100084)收稿日期:2002211215作者简介:苏晓生(19762),男(汉),广东,博士研究生。

E 2m ail :suxs @po st .p i m .tsinghua .edu .cn通讯联系人:林喜荣,副教授,E 2m ail :linxr @p i m .tsinghua .edu .cn摘　要:掌纹中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。

为了提取该特征,提出了一种基于原始灰度图像的小波变换的新算法。

由于该算法直接对原始的灰度图像进行处理,而无需对图像进行预处理(例如图像增强、滤波、区域分割、二值化、纹线细化等),因此它与传统的细节特征识别方法相比大大减小了计算消耗。

对一个小的掌纹图像数据库,使用K 近邻(K 2NN )的分类器对算法进行了实验,得到了很高的分类正确率,验证了算法的有效性。

关键词:计算机的应用;掌纹;生物特征识别;小波变换中图分类号:T P 39文献标识码:A文章编号:100020054(2003)0821049203Pa l m pr i n t fea ture extraction ba sedon wavelet tran sformSU Xia oshe ng ,L I N Xirong ,D I N G Tia nhua i ,ZHOU Yunlong ,SONG J iong(State Key Laboratory of Prec ision M easuremen tTechnology and I n stru men ts ,D epart men t of Prec ision I n stru men ts and M echanology ,Tsi nghua Un iversity ,Be ij i ng 100084,Chi na )Abstract :R idge o rientati ons and ridge spatial frequencies in vari ous regi ons of the pal m rep resent the intrinsic characteristics of a pal mp rint i m age .Pal mp rint features w ere accurately extracted using an algo rithm based on w avelet transfo rm s of the o riginal gray scale i m age .T he features w ere extracted directly from the gray scale pal mp rint i m age w ithout p rep rocessing (i .e .i m age enhancem ent,filtering,regi on segm entati on,binarizati on,ridge th inning,etc .),and hence the p ropo sed algo rithm requires less computati onal effo rt than conventi onal algo rithm s based on m inutiae features .T healgo rithm can ach ieve h igh recogniti on rates w hen a test is on a s m all pal mp rint database using the K 2nearest neighbo r (K 2NN )classifier .Key words :computer app licati on;pal mp rint;bi om etrics;w avelettransfo r m可以用于鉴别身份的人体生物特征包括指纹、掌纹、脸型、声音、DNA 、手掌静脉、虹膜、手型等[1]。

基于实值Gabor变换的掌纹识别

基于实值Gabor变换的掌纹识别
薛玉利;彭玉华;周新虹
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(43)6
【摘要】掌纹识别作为一种重要的生物特征识别方法,其中的一个重要环节就是掌纹特征的提取,提出了一种基于实数形式离散Gabor变换的掌纹特征提取方法,将空域的掌纹图像变换到联合(时间)空间频率域并将其联合(时间)空间频率域的能量分布作为掌纹的特征,以此为基础分别使用欧式距离和支持向量机进行了不同掌纹的匹配识别.实验结果表明,该算法对掌纹图像小的平移、小角度的旋转和小的手掌伸缩具有鲁棒性,并且获得了较高的识别率.
【总页数】4页(P216-219)
【作者】薛玉利;彭玉华;周新虹
【作者单位】山东大学,信息科学与工程学院,济南,250100;山东大学,信息科学与工程学院,济南,250100;山东大学,信息科学与工程学院,济南,250100
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于实值离散Gabor变换的阶比跟踪滤波 [J], 程利军;张英堂;李健伟;孙宜权;尹刚
2.一种基于实值离散Gabor变换的数字水印技术 [J], 况伟;张满
3.基于多高斯窗的实值离散Gabor变换 [J], 李锐;陶亮
4.基于辅助双正交的实值离散多Gabor变换 [J], 胡学友;李锐;陶亮
5.基于DCT的实值离散Gabor变换最优窗宽选择 [J], 汪琦;陶亮
因版权原因，仅展示原文概要，查看原文内容请购买。

生物识别技术的掌纹识别教程(八)

生物识别技术的掌纹识别教程生物识别技术是一种通过个体生物特征进行身份确认的技术，其中掌纹识别作为一种常见的生物识别技术，已经在很多领域得到了广泛的应用。

掌纹识别技术基于人的掌纹纹路和形状特征进行身份确认，具有高精度和不可伪造性的优点。

本文将介绍掌纹识别技术的基本原理和实际应用，并指导读者如何进行掌纹识别。

掌纹识别技术的基本原理掌纹识别技术是基于人的掌纹纹路和形状特征进行身份确认的一种生物识别技术。

人的掌纹纹路是在胚胎时期形成的，具有独特性和不可变性。

掌纹纹路主要分为弓形纹、环形纹和弦形纹三种类型，每个人的掌纹纹路组合都是独一无二的。

通过对掌纹纹路的提取和特征分析，可以实现对个体的身份确认。

掌纹识别技术的基本原理就是通过采集个体的掌纹图像，提取掌纹特征，并将其与已有的掌纹特征库进行比对，从而实现对个体身份的确认。

掌纹识别技术的应用领域掌纹识别技术在现代社会得到了广泛的应用，包括安防领域、金融领域、医疗领域等。

在安防领域，掌纹识别技术可以用于门禁系统、考勤系统等场景，实现对人员身份的快速确认，提高安全性和便利性。

在金融领域，掌纹识别技术可以用于个人身份认证、支付确认等场景，避免了密码泄露和身份盗用的风险。

在医疗领域，掌纹识别技术可以用于病人身份确认、医疗记录管理等场景，提高了医疗服务的效率和准确性。

进行掌纹识别的步骤进行掌纹识别的步骤主要包括掌纹图像的采集、掌纹特征的提取和掌纹比对。

首先，需要使用专门的掌纹采集设备对个体的掌纹图像进行采集，确保图像清晰、完整。

然后，对采集到的掌纹图像进行预处理，包括图像的增强、去噪等操作，确保提取的特征准确性。

接下来，对处理后的掌纹图像进行特征提取，一般采用特征点、纹线等方法进行掌纹特征的提取。

最后，将提取到的掌纹特征与已有的掌纹特征库进行比对，从而实现对个体身份的确认。

掌纹识别技术的优缺点掌纹识别技术作为一种生物识别技术，具有高精度和不可伪造性的优点。

掌纹纹路是随机形成的，独特性很高，因此掌纹识别技术的辨识率较高。

基于脊波变换的手背静脉图像增强及特征提取

效果．
关键词：生物识别；静脉；式识别；脊波模中图分类号：Ｐ０Ｔ３１文献标识码：Ａ文章编号：１７－８（０６０－１－３６１４９２０）３０５０５４
ＩａｅＥｎａｃｍｅｔａｄＥｘｒｃｉｅｔｅｆｍｇｈｎｅｎｎｔａｔｎｇＦａｕｒｓｏｔｅＤｏｓｌＨａｄＶｅｎＰａｔｒｓＢａｅｎＲｉｅｅａｆｒｈｒａｎｉｔｅｎｓｄｏｄｇｌｔＴｒｎｏｍｓ
ＨＡＮａＸｉｏ，ＭＡｉｌｎＳ —ｉｇ，ＺＨＡＮＧｏｇｂａＺｈｎ — ｏ
（ｅｏｔｍｔｓＪｌｎｖｒｔ，ｈｎｃｕ３０２Ｃｉ）ｓＭａｈａｉ，ｉＵｉｓｙＣａｇｈｎ１０１，ｈｎｆｅｃｉｎｅｉａ
２００６年５月
研究手陕艮
基于脊波变换的手背静脉图像增强及特征提取
韩笑，马驷良，张忠波
（林大学数学研究所，长春１０１）吉３０２
摘要：根据人体手背静脉图像的结构及特点，提出一种基于脊波变换的手背静脉图像增强方法，并应用局部互联神经网络提取静脉图像特征，加强了该生物识别系统对模糊图像的识别能力．实验结果表明，方法与传统的拉普拉斯法、平滑算法及小波变换相比有更加显著的该
Ｋｙｗｏｄｅｒｓ：ｂｏｔｃ；ｖｉａｔｒ；ｐｔｒｅｏｎｔｎｉｇｌｔｉｍｅｒｓｅｎｐｔｎａｔｎｒｃｇｉｏ；ｒｅｅｉｅｅｉｄ

脊波分析在手背静脉识别中的应用

脊波分析在手背静脉识别中的应用韩笑;徐坤;马驷良【摘要】提出一种基于改进的有限脊波变换的手背静脉识别算法.利用脊波理论适合于表示直线奇异性的特点,对手背静脉特征进行分析.使用改进的有限脊波变换对手背静脉图像进行分解,得到不同分解尺度下手背静脉的多分辨脊波特征,再通过定义多分辨脊波特征距离进行模式匹配.实验结果表明,与传统静脉特征提取方法相比,该方法较完整地保留了静脉的原始信息,提高了运行速度并降低了算法复杂度.%One method of dorsal hand vein recognition based on improved FRIT was proposed. Analyzing image line' s singularity, we can obtain the characteristics of the dorsal hand vein. That' s just the ability of ridgelet transform. The processing is that hand vein images are decomposed by improved FRIT firstly; then multi-scale ridgelet features (MRF) of vein image are obtained in different decomposition scales; finally,pattern matching was done by defining MRF distance. Compared with other vein recognition methods, our approach completely preserves original information of the vein. It not only increases the speed of system but also reduces the complexity of the algorithm.【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2011(049)002【总页数】5页(P294-298)【关键词】有限脊波变换;有限Radon变换;手背静脉【作者】韩笑;徐坤;马驷良【作者单位】吉林大学,数学学院,长春,130012;锦州师范高等专科学校,现代教育技术中心,辽宁,锦州,121000;吉林大学,数学学院,长春,130012【正文语种】中文【中图分类】TP391.4人体手背静脉识别是近年新兴的一种身份识别方法, 是一项新的非接触式生物测定识别技术, 是根据人体骨骼和肌肉组织的特点, 当近红外光谱(infrared spectroscopy, IR)的入射光波长为0.72～1.10 μm时照射手背(IR在此波长范围内可较好地突显出静脉血管), 并由一台CCD摄像机拍摄成手背静脉图像进行个人身份认证的生物识别技术. 目前已有许多研究成果[1-4].1 手背静脉图像采集图1 理想的手背静脉图像采集角度Fig.1 Ideal angle of hand vein image acquisition使用传统的CCD黑白摄像机采集手背静脉图像. 经过一系列光源实验后, 发现如果使用两个近红外发光二极管组(light-emitting diode, LED)作光源照射手背, 且这两个LED与手背之间约成55°角时, 由CCD摄像机同步拍摄的手背静脉图像效果较好, 如图1所示.根据红外采集原理[5], 本文自行设计一套采集手背静脉图像的实验装置, 近红外光源是两个近红外发光二极管组. 当发光二极管组发射的近红外光照射手背时, 由一台配有低通滤光片的CCD摄像机成像. 同时光的强度根据适时需要进行人为调整, 使用低通滤光片的目的是为了阻止可见光到达CCD传感器. 根据手的特点, 设计了一个特殊的平台固定手背. 为了避免外界光线对设备采集效果的影响, 在实验装置的四周配有挡光板, 使整个采集平台处于半封闭状态. 该实验装置具有良好的用户界面, 操作简单、直观. 手背静脉图像采集实验装置如图2所示, 采集的手背静脉图像如图3所示.图2 手背静脉图像采集实验装置示意图Fig.2 Experimental setup of hand vein image acquisition图3 IR照射下的手背静脉图像Fig.3 Image of dorsal hand vein under IR irradiation2 手背静脉特征提取2.1 脊波原理脊波是结合神经网络的构造, 并应用Littlewood-Paley理论建立的一种新的逼近多变量函数的有效方法. 脊波分析等效于目标函数Radon变换域的小波分析, 且对于处理高维直线状和超平面状的奇异性效果较好. 有限脊波变换(FRIT)[5-6]是基于有限Radon变换(FRAT)[5]的一种可逆正交变换, 主要应用于有限尺寸的数字图像. 手背静脉图像[7]由粗细不同的静脉血管构成, 并有很强的方向性, 所以对手背静脉特征的分析应在不同分辨率下进行. FRIT是目前处理这类特征图像的一种有效方法.2.2 基于FRIT的手背静脉特征提取FRIT是基于有限Radon变换的, 实函数f(若讨论对象是图像矩阵f(i, j), 不妨设为p×p阶, p是素数)的有限Radon变换(FRAT)定义[5]如下：FRIT变换是对FRAT系数矩阵的每列分别进行一维离散多尺度小波变换, 从而得到有限脊波变换系数矩阵. 小波变换前要构造长度为p的正交小波基, 而p是素数. 由小波基构造算法可知, 该算法先对长度为n, 并具有j级分解尺度的正交小波基Vm{m=0,1,…,n-1}进行相应的扩展得到{wk: k∈zp}, 增加的基因位与Vm无关, 所以不具有小波在频域分割上的优点, 同时又增加了算法的复杂度. 此外, 图像的大小一般为2的整数幂, FRIT变换就是要找到大于并与其最接近的素数作为图像尺寸或图像分块后的尺寸. 除22,23,24,25,26和27外, 小于28的其余2的整数幂与其相邻素数的距离均不小于3. 这样, 无论对原始数字图像进行延拓还是压缩而做FRAT 变换, 都将使图像的变换程度较大, 可能会丢失部分有效信息. 因此, 本文从以下两方面对有限脊波变换进行改进:1) 根据实验, 图像大小通常在[23×23,26×26]间时应用有限脊波变换效果较好. 考虑到素数3,7,31,127分别与2的整数幂如22,23,25,26间的数字距离最小(其距离为1), 因此, 在对p×(p+1)阶的FRAT系数矩阵各列进行小波变换前, 先对素数p 加1, 即对3,7,31,127加1即为22,23,25,26. 相应地, 在FRAT系数矩阵中选取适当的位置增加一个长度为p+1的零行, 即可直接进行小波变换. 这样, 不仅无需构造素数长度的小波基, 而且保留了小波在频域分割上的优点. 实验表明, 在FRAT系数矩阵最上方增加一个长度为p+1的零行效果最佳.2) 有限Radon变换是定义在有限网格上的[5], 由于周期性, 手背静脉图像在边界处往往不连续. 因此, 采取将图像块对称折叠的方法, 可消除一些边界的不连续性. 下面给出一种改进的有限脊波变换, 算法步骤如下：1) 先将m×m的手背静脉原始图像分为n×n的图像块, 令p=2n-1, 再将图像对称折叠成p×p的图像块(为简便, 这里只考虑p为素数的情形);2) 计算每块图像的灰度均值, 将图像逐点灰度与灰度均值做差, 使每块图像灰度均值为零;3) 对上述个均值为零、p×p的图像块分别进行FRAT变换, 得到个p×(p+1)阶的FRAT系数矩阵;4) 在FRAT系数矩阵的最上方增加一个长度为p+1的零行;5) 对改变后的(p+1)×(p+1)阶矩阵的每列应用一维DWT进行多级小波分解(本文使用Sym4小波), 从而得到个FRIT系数矩阵;6) 如需重构时, 去掉增加长度为p+1的零行, 再进行FRAT逆变换;7) 删去对称折叠部分, 即可得到原始图像.实验中取m=64, n=16, p=31. 结合实验所得数据, 在小波函数的选取上, 确定选用Symlets函数系中的Sym4小波[8]作为小波变换的基, 对FRAT系数矩阵的每列进行一维多尺度小波变换, 并将其作用后的高频信息作为手背静脉的特征表达.3 多分辨脊波特征匹配手背静脉图像经过FRAT变换后得到(p+1)×(p+1)阶的FRAT系数矩阵, 再对此矩阵的每列做一维的离散小波变换, 可以得到(p+1)×(p+1)阶的FRIT系数矩阵. 该过程称为改进的有限脊波变换.通过观察FRAT系数矩阵的特点可知, 需对矩阵的每列(矩阵的每列恰好对应FRAT 变换所取的方向)做一维离散小波变换, 因此经过一级小波分解后, (p+1)×(p+1)阶的系数矩阵在纵向上分成两个子块, 即其中: PL是原始矩阵低分辨率的近似子块(其分辨率只是原始信息分辨率的2-1); PH是第一级小波分解后的细节信息, 对应于相应方向上的高频部分. 对FRAT系数矩阵的每列进行三级小波分解过程如下:其中: P表示原始FRAT系数矩阵; PL是对矩阵的每列进行第一级小波分解得到的低频子块, PH是第一级小波分解得到的高频子块； PLL是对矩阵PL的每列进行第二级小波分解得到的较低频子块, PLH是第二级小波分解得到的较高频子块, 这两个子块的分辨率为原始矩阵分辨率的2-2； PLLL是对矩阵PLL的每列进行第三级小波分解得到的更低频子块, PLLH是第三级小波分解所得到的更高频子块, 这两个子块的分辨率为原始矩阵分辨率的2-3.定义第j个图像块的多分辨脊波特征向量其中: 这些特征向量反映了矩阵P在三级小波分解下的细节信息：其中:称为多分辨脊波特征(multi-scale ridgelet feature, MRF), 可反映在不同分辨率下的手背静脉特征. 为了分析该特征对手背静脉的区分能力, 本文提出一种衡量不同MRF相似性的方法用于手背静脉匹配阶段. 即通过定义如下的“MRF距离”衡量多分辨脊波特征对手背静脉的区分能力：其中:和分别表示两个手背静脉图像第j个图像块的多分辨脊波特征;4 实验结果及分析本文实验基于手背静脉采集实验装置所获取的数据库[9]进行测试. 该库中拥有60只手的1 200个手背静脉样本. 实验时将该库分为两个子库, 其中一个用于训练(即注册), 包括600个手背静脉样本(60人, 每只手5个样本, 左右手共10个样本)；另一个同样也包括600个手背静脉样本用于测试(即识别). 建立一个小型的手背静脉数据库, 首先分别计算该库中每两个手背静脉间的MRF距离. 所有来自于同一只手背静脉样本间的距离分布称为合法匹配距离分布(genuine distribution), 记为RG(D)；否则称为非法匹配距离分布(false distribution), 记为RF(D). 两种分布的曲线如图4所示, 其中两条分布曲线中重叠区域的面积称为最小总体错误率(minimum total error rate, MTER), 可以反映所提取特征的区分能力： MTER越小, 该特征区分能力越强； MTER越大, 该特征区分能力越弱. 本文记MTER的值为R, 计算表达式如下：R=RG(D)dD+RF(D)dD,其中s是两条曲线交点处对应的距离.本文根据识别系统模式, 首先分别提取了训练库中每个手背静脉的MRF特征注册, 产生注册集；其次, 提取测试子库中每个手背静脉的MRF特征, 并与注册集中的特征进行特征匹配, 从而确定待识别者身份. MRF特征的合法匹配与非法匹配间的距离分布曲线见图4. 由图4可见, 合法匹配距离集中在160像素左右, 而非法匹配距离集中在320像素左右. 两条距离分布曲线分开较好, 并且相交的面积较少,R≈2.7%.图4 多分辨脊波特征的合法匹配和非法匹配距离分布曲线Fig.4 Legal and illegal matching distance distribution of MRF图5 多分辨脊波特征匹配法接受者操作特性曲线Fig.5 Receiver operating characteristic curves of MRF matching method为了测试各种方法对手背静脉的识别能力, 本文将每个测试样本和注册样本进行匹配, 取不同的阈值, 从而得到接受者操作特性曲线(ROC曲线), 如图5所示. 当FRR=1.5%时, 多分辨脊波特征匹配法的FAR=0.11%, 等错误率为0.62%.在手背静脉辨识实验中, 所有的测试样本都参与了测试. 在60×10=600次辨识测试中, 多分辨脊波特征匹配法的识别精度分别达到97.3%. 实验结果表明, 把手背静脉特征作为个人身份识别的依据, 在技术上是可行的.参考文献【相关文献】[1] Tanaka T, Kubo N. Biometric Authentication by Hand Vein Patterns [C]//Proceedings of the SICE 2004 Annual Conference. [S.l.]: IEEE Press, 2004: 249-253.[2] Cross J M, Smith C L. Thermographic Imaging of the Subcutaneous Vascular Network of the Back of the Hand for Verification of Identity [C]//Proceedings of the Institute of Electrical and Electronics Engineers 29th Annual 1995 International Carnahan Conferenceon Security Technology. [S.l.]: IEEE Press, 1995: 20-35.[3] Badawi A M. Hand Vein Biometric Verification Prototype: A Testing Performance and Patterns Similarity [C]//Proceedings of the 2006 International Conference on Image Processing, Computer Vision, and Pattern Recognition. [S.l.]: CSREA Press, 2006: 26-29. [4] WANG Ling-yu, Graham Leedham. A Thermal Hand Vein Pattern Verification System [M]. Berlin: Pattern Recognition and Image Analysis, 2005: 58-65.[5] Do M N, Vetterli M. The Finite Ridgelet Transform for Image Representation [J]. IEEE Transactions on Image Processing, 2003, 12(1): 16-28.[6] LIU Kun, GUO Lei, CHEN Jing-song. Image Fusion Algorithm Based on Finite Ridgelet Transform and Cycle Spinning [J]. Journal of Jilin University: Engineering and Technology Edition, 2010, 40(4): 1075-1080. (刘坤, 郭雷, 陈敬松. 基于有限脊波变换和Cycle Spinning的图像融合算法 [J]. 吉林大学学报: 工学版, 2010, 40(4): 1075-1080.)[7] TIAN Run-lan, XIAO Wei-hua, QI Xing-long. Comparion of Servral Image Transform [J]. Journal of Jilin University: Information Science Edition, 2010, 28(5): 439-444. (田润澜, 肖卫华, 齐兴龙. 几种图像变换算法性能比较 [J]. 吉林大学学报: 信息科学版, 2010, 28(5): 439-444.) [8] Daubechies I. The Wavelet Transform Time-Frequency Localization and Signalanalysis [J]. IEEE Transactions on Information Theory, 1990, 36(5): 961-1005.[9] HAN Xiao. Research on Algorithm for Human Dorsal Hand Vein Recognition [D]: [Ph D Thesis]. Changchun: College of Mathematics, Jilin University, 2007. (韩笑. 人体手背静脉识别算法研究 [D]: [博士学位论文]. 长春: 吉林大学数学学院, 2007.)。

掌纹识别算法综述

第36卷第3期自动化学报Vol.36,No.3 2010年3月ACTA AUTOMATICA SINICA March,2010掌纹识别算法综述岳峰1左旺孟1张大鹏2摘要掌纹识别作为一种新兴的生物识别技术,近年来得到了广泛的关注与研究.与其他生物特征相比,掌纹有许多独特的优势,包括识别率高、采集设备价格低廉、用户可接受性好等.这些优势使得掌纹识别成为一种有着广泛应用前景的生物识别方法.本文首先介绍了掌纹的特点、掌纹的采集设备和预处理方法,之后详细介绍了近几年来提出的各种掌纹识别方法.根据特征提取以及匹配方法的不同,本文将掌纹识别方法分为基于结构的、基于子空间的、基于编码的和基于统计的四类方法.在回顾和比较了各种算法的特点之后,对未来的掌纹识别方法的发展方向作了展望.关键词生物识别,掌纹识别,低分辨率掌纹图像,特征提取,特征匹配DOI10.3724/SP.J.1004.2010.00353Survey of Palmprint Recognition AlgorithmsYUE Feng1ZUO Wang-Meng1ZHANG Da-Peng2Abstract As an emerging biometric technology,palmprint recognition has recently received considerable research interest.Because of its low-price capture device,fast execution speed,and high veriﬁcation accuracy,palmprint recognition is very competitive in biometric research and is expected to have a wide range of security applications.This paperﬁrst introduces the characteristics of the palmprint,the acquisition and the preprocessing method for palmprint image,and then presents a survey of the palmprint recognition algorithms.According to diﬀerent feature extraction and matching approaches,we roughly group these algorithms into four categories:structure based,statistics based,subspace based and coding based methods.After surveying and comparing these algorithms in each category,we conclude this paper with a discussion of future trends.Key words Biometrics,palmprint recognition,low-resolution palmprint image,feature extraction,feature matching随着社会和经济的不断发展,人们对身份鉴别的准确性、安全性与实用性提出了越来越高的要求.传统的身份鉴别方法,如钥匙、密码以及智能卡等,存在容易丢失、遗忘、被复制及盗用的隐患.而通过辨识人的生理和行为特征进行身份认证的生物识别技术(Biometrics)为身份鉴别提供了一个方便可靠的解决方案.生物识别技术是指根据人的生理特征(如语音、指纹、掌纹、面部特征、虹膜等)或行为特征(如步态、签名、击键特征等)进行身份鉴别的技术.生物识别技术以人的生物特征为基础,以信息处理技术为手段,具有安全性、有效性和易用性等特点,因此受到人们越来越多的重视.收稿日期2009-04-10录用日期2009-10-23Manuscript received April10,2009;accepted October23,2009国家高技术研究发展计划(863计划)(2006AA01Z308),国家自然科学基金(60872099,60902099)资助Supported by National High Technology Research and De-velopment Program of China(863Program)(2006AA01Z308) and National Natural Science Foundation of China(60872099, 60902099)1.哈尔滨工业大学计算机学院生物信息技术研究中心哈尔滨1500012.香港理工大学计算学系生物识别技术研究中心香港1.Biocomputing Research Center,School of Computer Sci-ence and Technology,Harbin Institute of Technology,Harbin 1500012.Biometrics Research Center,Department of Com-puting,Hong Kong Polytechnic University,Hong Kong掌纹识别是近些年来新兴的一种生物识别技术.与其他用于识别的生物特征相比,掌纹具有很多独特的优势.相比于指纹,掌纹拥有更大的面积以及更为丰富的纹理信息,只需要较低分辨率的采集设备就可以构建高性能的掌纹识别系统;相比于人脸识别,掌纹识别能轻易地区分双胞胎;相比于虹膜,掌纹采集设备的价格更为低廉,采集方式也更容易让用户接受;相比于签名,掌纹更加稳定可靠.因此,掌纹识别是一种有着广泛应用前景的生物识别方法,近年来得到了研究人员的广泛关注.掌纹中包含丰富的特征,如主线、皱褶、三角点和细节点等,如图1所示.在高分辨率(≥400dpi)的掌纹图像中可以提取到上述的全部特征;而对于低分辨率(≤100dpi)的掌纹图像,只能提取到主线和皱褶特征(统称为线特征),如图2所示.由于在低分辨率的掌纹图像上的识别精度对于一般的民用和商用已经足够,而且相对于高分辨率图像,获取和处理低分辨率掌纹图像可以节省大量时间和成本,因此本文主要讨论针对低分辨率掌纹图像的识别方法.本文的结构安排如下:第1节讨论了掌纹图像的采集和预处理,以及公开的掌纹图像数据库和评价指标;第2节对各种掌纹识别算法作了分类,并对每类算法进行详细的阐述和比较;第3节讨论了当前354自动化学报36卷掌纹识别存在的问题和未来的发展方向;最后在第4节对本文进行了总结.图1掌纹中包含的各种特征Fig.1Various kinds of features inpalmprint图2低分辨率掌纹图像中的主线和皱褶特征Fig.2Principal lines and wrinkles in low-resolutionpalmprint image1掌纹图像的采集和预处理1.1掌纹图像的采集早期的掌纹采集方法是将手掌涂上墨水或油墨,之后将手掌印在纸上,最后用扫描仪将带有掌纹图像的纸扫描成数字图像[1−2].这种采集方法速度慢,只能用于脱机掌纹识别.而且,由于手掌的生理结构,手掌中心部分的掌纹信息经常是缺失或模糊的,采集到的图像质量差,如图3所示.Wong等设计了一种用于联机掌纹识别的采集设备[3],这种设备可以直接采集到数字化的掌纹图像,如图4所示.这种采集设备的分辨率为75dpi,可以获得掌纹中清晰的主线和皱褶信息.近来,PAPILLON等公司推出了联机采集高分辨率掌纹图像的设备[4−6],相比于早期的采用扫描方式的设备在采集速度上有很大提高.图3用墨水和扫描仪采集到的掌纹图像Fig.3Palmprint image captured by ink andscanner图4Wong等设计的联机掌纹采集设备采集到的掌纹图像Fig.4Palmprint image collected by Wong sonline capture device1.2掌纹图像预处理掌纹图像的预处理主要包括去噪、关键点定位、平移及旋转校正等.早期的掌纹识别方法提取掌纹中的纹线端点和感兴趣点作为特征,在匹配阶段采用自适应的方法匹配,对于预处理的要求不是很严格.随着掌纹识别技术的发展,对匹配的速度和精度要求越来越高,因此要求在预处理阶段完成掌纹图像的平移及旋转校正.对于掌纹的定位,大多数预处理算法都利用了食指与中指的缝隙以及无名指与小指的缝隙[7−10].在此基础上,Poon等[8]提出了一种划分掌纹中心区域的方法,如图5(a)所示.他们将掌纹的中心区域划分为多个椭圆形半环,每个椭圆形半环再分为多个小块,对每个小块分别提取特征.这样划分的优点是可以减小旋转产生的影响.3期岳峰等:掌纹识别算法综述355由于Wong 等设计的采集设备已带有用于定位的圆柱,并且要求采集者的手指张开,这就极大地方便了掌纹图像的预处理.Zhang 等针对此采集设备提出的预处理方法[7]可以在很大程度上克服手掌的平移及旋转带来的影响,已成为一种广泛使用的预处理方法[7,10−16],如图5(b)所示.Hennings 等[10]在此基础上又加入了形态学操作,以改善预处理方法的鲁棒性.Liambas 等在文献[17]中提出了针对方向上任意放置的掌纹图像的预处理方法,该方法通过在手掌区域中放置互不重叠的最大内切圆来定位手掌中心区域,同时可以获得手掌的方向,对噪声以及断指、并指等情况具有更好的鲁棒性.一幅典型的手掌图像的处理结果如图5(c)所示.1.3掌纹图像公开数据库掌纹识别技术提出后,国内外很多大学和科研机构都陆续开展了这方面的研究.为了推动掌纹识别技术的发展,使各种掌纹识别方法有一个统一的比较平台,香港理工大学、香港科技大学和中国科学院自动化研究所分别发布了公开的掌纹图像数据库,如表1所示.香港理工大学的掌纹数据库是利用文献[3]中的采集设备采集得到的,版本1中包括来自50人、100只手掌的600个掌纹图像样本.所有图像分两次采集得到,每次对每只手掌采集3幅图像.版本2中包括193人、386只手掌的7752幅图像.所有图像分两次采集得到,每次对每只手掌采集约10幅图像.在两次采集过程中,研究人员更换了设备的光源并对其照明系统进行了改造,因此部分掌纹在不同阶段采集的图像会有较为明显的亮度差异.香港科技大学的数据库通过数码相机采集得到,没有使用类似于文献[3]中设备上用于手掌定位的装置,采集时也不是在封闭的环境中,因此与香港理工大学的数据库相比,掌纹图像间存在较大的平移和旋转,且受光照影响更大.中国科学院自动化研究所设计了一种掌纹采集设备,并用该设备构建了包括301人、5239个图像样本的掌纹图像库,所有图像都是通过一次采集得到.由于该设备并没有用于定位的圆柱,因此采集时手掌的位置更加灵活,同一手掌的图像间差异也较大.在这些数据库公开发布之后,掌纹识别算法在这些数据库上的性能已成为衡量该算法的一个重要指标.在第2节的算法分析中也列出了近来提出的掌纹识别算法在这些公开数据库上的性能参数.1.4评价指标掌纹识别方法的评价指标与其他生物识别方法相类似,主要包括正确接受率(Genuine accep-tance rate,GAR),错误拒绝率(False rejection rate,FRR),错误接受率(False acceptance rate,FAR),等误率(Equal error rate,EER),判别指数(Discriminating index,d )等.此外,还包括提取的(a)文献[8]提出的方法(a)The method proposed in [8](b)文献[7]提出的方法(b)The method proposed in [7](c)文献[17]提出的方法(c)The method proposed in [17]图5掌纹图像预处理方法示意图Fig.5The schematic diagrams of palmprintpreprocessing methods356自动化学报36卷表1公开发布的掌纹图像数据库Table1Public palmprint image databases数据库名称人数掌纹图像数图像大小Hong Kong PolyU(v1)100600384×284 Hong Kong PolyU(v2)[18]1937752384×284 Hong Kong UST(v1)[19]27054001280×960 CASIA(v1)[20]3015239640×480特征维数、特征大小、特征提取及匹配所需的时间等.本文在第2节的算法分析中列出了某些具有代表性的掌纹识别算法的性能参数.值得注意的是,有些实验结果是在不同的掌纹数据库上得到的,彼此间并不具有可比性.2掌纹特征提取和匹配高分辨率的掌纹图像大都用于脱机掌纹识别,主要应用于刑侦、司法等领域.与指纹识别类似,对于高分辨率的掌纹图像主要利用乳突纹和细节点进行识别.特征提取阶段通常包括方向场估计、图像增强、二值化、细化和细节点提取等[21].在此基础上,文献[22]利用统计信息和结构信息给出一些规则,用于去除伪细节点.匹配时采用的是点集间的匹配,每对细节点间的匹配通常要考虑细节点的位置、方向以及类型等信息.最近提出的潜掌纹(Latent palmprint)识别方法[23]针对部分掌纹与全部掌纹间匹配的特点,提出了以细节点码(Minutia code)作为局部特征,先进行局部匹配,再进行全局匹配的方法.对于低分辨率的掌纹图像,主要是利用主线和皱褶信息实现掌纹识别.根据掌纹中特征的表示以及匹配方法,可大致将掌纹识别方法分为四个类别[24],分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法.此外,我们还列出了一些不属于这些类别的方法.2.1基于结构的方法基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法.这一类的方法主要由两部分组成:1)提取掌纹中的纹线特征;2)纹线特征的有效表示和匹配.线特征的有效表示主要是指便于匹配,并且占用尽可能少的存储空间.对于特征的提取,较多使用的是各种线检测算子以及边缘检测算子;对于特征的表示,主要是采用直线段或特征点代替掌纹纹线;而特征的匹配大多采用特征点之间的欧氏距离或Hausdorﬀ距离,以及用于线段匹配的Hausdorﬀ距离等.Shu等[25−26]提出了一种掌纹线特征的提取和匹配方法.该方法首先使用12个线检测算子检测各个方向下的掌纹纹线,并用直线段近似表示,之后通过后处理滤除较短的线段,合并重合的线段,得到代表该掌纹中纹线的全部直线段.最后提取出直线段的端点、截距和倾角等作为该掌纹的特征.对于直线段间的匹配,采用的是端点的欧氏距离以及截距和倾角的差别,对于小于指定阈值的则认为直线段匹配成功.两个掌纹的匹配度定义为匹配的直线段数目与直线段总数之比.该方法利用了掌纹纹线具有一定长度的特点,对噪声不敏感.匹配时考虑了纹线的长度和方向信息,大大减少了仅依赖纹线端点造成的误匹配.Wu等[27−28]提出了一种利用高斯函数的导数提取掌纹主线特征的方法.该方法采用四个不同的检测算子,分别检测四个不同方向的纹线,最后合并各个方向的检测结果.为了克服非线性形变及旋转带来的影响,文献[28]在匹配前对表示纹线的二值图像进行旋转和形态学膨胀,之后再与其他掌纹匹配.文献[29]中首先通过二值化获得掌纹的线特征,之后提取掌纹中最大内切圆内部的若干条跨度最长的纹线,匹配时采用的是类似Hausdorﬀ距离的双向匹配方法.Li等[30−31]提出首先利用通用的边缘算子检测出掌纹中的纹线,之后用改进的线段Hausdorﬀ距离匹配.由于Hausdorﬀ距离本身就具有对小的形变不敏感的特性,因此以上两种方法都具有较好的鲁棒性.注意到掌纹纹线(尤其是主线)并不是单像素宽的,而经典的边缘检测算子只能检测到单像素宽的边缘(称为单边响应,Unique edge response),Liu等[32]提出了一种宽线检测算子.该方法利用圆形模板中与圆心灰度相似的区域的面积来判断圆心点是否属于纹线,指出对于背景区域,该面积达到最大值,因此将最大值的一半作为阈值滤除背景,从而得到纹线.得到的掌纹纹线表示成一个二值矩阵,采用异或操作匹配.由于该方法不仅考虑了纹线的位置,还考虑了纹线的宽度,因此识别精度更高.与采用直线段表示掌纹纹线的方法不同,本类方法采用构成纹线的所有的点来表示掌纹,匹配时采用的是点集间的匹配.这类方法最大的优点是避免了用直线段近似掌纹纹线,缺点是匹配时仅考虑了纹线的位置信息,而丢弃了纹线的方向信息,因此识别精度不高.另一类的方法是利用特征点来表示掌纹纹线,从而用特征点间的匹配代替纹线间的匹配.Duta 等[33]首先通过二值化平滑后的掌纹图像来提取掌纹纹线,之后通过形态学操作提取代表纹线的特征点,最后用类似于指纹识别中的特征点匹配方法对特征点进行位置与方向上的比较.You等在文献[2]中提出了一种类似的方法.该方法首先用Prewitt 算子提取掌纹纹线,之后用Plessey算子[34]提取代3期岳峰等:掌纹识别算法综述357表点,最后采用Hausdorﬀ距离实现掌纹间的匹配.由于特征点的数目较多,与基于线特征的掌纹识别方法相比,这一类方法保存特征需要更大的空间,匹配时速度也较慢.在文献[35]中,Wu等提出了一种不同的方法,充分利用梯度图的方向和幅值信息提取掌纹的纹线特征.在该方法中,首先计算掌纹图像梯度图的方向和幅值,之后对掌纹模糊分块,分别提取每块的方向和幅值特征,并连接为表示整个掌纹的特征矢量.匹配时采用向量间的相关系数.这种方法由于利用了统计量作为特征,因此对质量差的掌纹图像具有更好的鲁棒性,识别精度较高.基于结构的方法是早期的用于掌纹识别的方法.总的来说,大部分基于结构的方法都是借鉴或移植自指纹识别中的方法,简单直观.但是这类方法用直线段或特征点近似地表示掌纹纹线,丢失了大量信息,因此识别率不高.此外,这类方法的识别性能在很大程度上依赖于边缘检测算子或宽线检测算子.掌纹中一些比较细小模糊的线包含大量的判别信息,但却无法被检测算子检测到.大量的直线段和特征点也使匹配过程非常耗时.表2对各种基于结构的方法作了比较.2.2基于统计的方法基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法,可进一步分为基于局部统计量和全局统计量的方法.其中基于局部统计量的方法需要将图像分成若干小块,之后统计每块的均值和方差等统计信息,最后连接为表示整个掌纹的特征向量;而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征.匹配时,一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.对于基于局部统计量的方法,在提取统计特征之前,通常需要对图像做变换,例如傅里叶变换、小波变换等.Li等[36−37]首先用傅里叶变换提取掌纹图像的频域信息,之后分块并计算每块的幅值和相位的和作为特征.Zhang等[38]利用过完备小波变换的平移不变性和掌纹纹线方向的上下文相关性,计算小波分解后每块的四类统计特征.根据这四类特征可将掌纹分为若干个类别,识别时仅在待测掌纹所属的类别内搜索即可.文献[39−42]提出利用小波变换,之后分块并提取每块的均值和方差作为特征.各种方法的分块策略略有不同,例如文献[37]将图像分为半径相等的同心圆,文献[42]将小波分解后的各子图分为数量相同的小块,而文献[41]则将小波分解后的各子图分为大小相同的小块.当只进行一级小波分解时,后两种分块的策略是相同的.与基于结构的方法不同的是,本类方法考虑了掌纹图像的频域(傅里叶变换)和多尺度(小波变换)特征,而不是原始图像中纹线的位置、方向等特征,能够有效地减小类内差别,提升识别性能.但是在该类方法中,分块的大小以及分块的策略对最终的识别结果有很大影响,而最优的分块方法通常需要实验确定.基于全局统计量的方法主要是指利用图像不变矩的识别方法.文献[43−44]分别利用Hu和Zernike矩提取掌纹特征,而Li等在文献[45−46]中提出了一种利用平移不变的Zernike矩提取掌纹特征的方法.根据所采用的不变矩具有的平移或旋转不变的特性,该类方法对于掌纹图像也具有相应的特性,可以有效地处理预处理带来的图像平移和旋转.该类方法的缺点是特征维数太小,丢失了大量的判别信息,因此识别率不高.基于统计的方法将掌纹图像看作是纹理图像,并利用分析纹理图像的一些方法来分析掌纹图像.与基于结构的方法相比,傅里叶变换的方法可以提取掌纹的频域特征,小波变换的多分辨率特性更加适表2基于结构的方法的比较Table2Comparison of structure-based methods算法名称特征表示平均特征大小匹配方法数据库识别率(%)等误率(%)线特征[26]端点表示340线匹配60幅图像93.3的直线段点特征[33]特征点的约1800特征点匹配30幅图像94.3位置及方向宽线检测算子[32]表示纹线2056逻辑异或PolyU(v1) 1.0的二值数据线特征向量[35]矢量200相关系数3200幅图像(1920幅97.5 1.0训练,1280幅测试)多特征[2]纹理能量大于2048能量差异和200幅图像95和感兴趣点Hausdorﬀ距离358自动化学报36卷合主线和皱褶不同粗细的特点,而基于全局统计量的方法对图像平移和旋转更加鲁棒.总的来说,基于统计的方法比基于结构的方法有更高的准确率,统计的本质也使得该类方法对噪声不敏感.此外,由于原始掌纹图像被有效地表示为若干个统计量,因此特征所占的空间很小,匹配速度也很快.表3列出了几种基于统计的方法的性能比较.2.3基于子空间的方法子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换,将其转化为低维向量或矩阵,并在此低维空间下对掌纹表示和匹配.根据投影或变换的性质,子空间方法可以分为线性子空间方法和非线性子空间方法.目前应用较为广泛的是线性子空间方法,主要包括独立成分分析(Independent component analysis,ICA)、主成分分析(Principal component analysis,PCA)、线性判别分析(Linear discriminant analysis,LDA)等.与前两类方法不同,基于子空间的方法大都需要对每个类别的掌纹图像构造训练集,在该训练集上计算最优的投影向量或矩阵,并将投影后的向量或矩阵作为该类掌纹的特征.在识别阶段,首先对待测掌纹图像作相同投影或变换,之后采用最近邻或最近特征线(Nearest feature line,NFL)分类器分类.基于子空间的方法已成功地应用于人脸识别,移植到掌纹识别后也取得了很好的效果.Lu等[47]提出了利用PCA进行降维的Eigen-Palm方法,该方法首先将掌纹图像连接为高维向量,并计算该向量的散度矩阵的特征值和特征向量,之后保留若干较大的特征值对应的特征向量构成投影矩阵.由于PCA主要考虑的是掌纹的表示(Representation),而不是掌纹的判别(Discrimi-nance),Wu等[48−49]又提出了在PCA的基础上再进行LDA降维的FisherPalm方法.LDA方法同时考虑类内散度和类间散度,并通过最大化类间散度同时最小化类内散度(即Fisher准则)计算最优的投影矩阵.此外,文献[50]提出融合PCA和LDA 特征,文献[51]提出利用核线性判别分析(Kernel Fisher discriminant analysis,KFDA)方法,都取得了比单独使用PCA或LDA更好的效果.由于小样本(Small sample size,SSS)问题, PCA易于对训练集产生过拟合(Overﬁtting).作为一维PCA的推广,Yang等[52]提出了2DPCA并应用于人脸识别.在2DPCA中,图像被看作是由若干个行向量组成,并在此行向量上进行PCA降维,这就有效地解决了小样本问题.相比于PCA,该方法具有更好的泛化能力,但缺点是特征维数较高.在此基础上,Wang等[53]将2DPCA和LDA结合的方法应用于掌纹识别.在文献[54]中,Lu等指出,先对掌纹图像做小波分解,再应用2DPCA,可以得到比直接应用2DPCA更高的识别率.BDPCA(Bi-directional PCA)由Zuo等提出,并应用于人脸和掌纹识别[11,55].BDPCA可以看作是2DPCA的一种推广,通过分别计算行投影矩阵与列投影矩阵,将掌纹图像最终变换为一个矩阵,作为该掌纹的特征.对于该特征矩阵,Zuo等采用集成矩阵距离(Assembled matrix distance,AMD)的度量方式计算相似度.相对于PCA,BDPCA具有更好的泛化能力,可以减轻训练时带来的过拟合.该方法还省去了PCA中的图像连接过程,因此特征提取的效率更高.此外,BDPCA提取的特征维数要远小于2DPCA,因此保存特征所需的存储空间更小,匹配速度更快.在BDPCA的基础上,文献[56]使用BDPCA和LDA相结合的方法,文献[57]提出先用BDPCA提取特征再用一维PCA降维的方法,都得到了比单独使用BDPCA更好的结果.在文献[58]中,接标等将ICA方法应用于掌纹识别.在文献[59]中,Lu等先将掌纹图像做小波分解,之后应用ICA方法提取特征,实验表明优于直接使用ICA的方法.基于子空间的方法具有坚固的理论基础,并且已广泛地应用于人脸识别中.相对于基于结构的方法,具有识别率高、特征小等优点,较之基于统计的方法也有更高的识别率.尤其是在Zuo等提出BD-PCA之后,特征提取阶段的计算量也大大减少,使得该类方法的优势更加明显.但是该类方法通常对每个类别都需要多个训练样本,且训练样本的选取对识别结果影响较大.表4列出了几种主要的基于子表3基于统计的方法的比较Table3Comparison of statistics-based methods算法名称特征维数匹配方法数据库识别率等误率(%)傅里叶变换[37]8+8一阶范数和相关系数3000幅图像95.48%小波变换[38]27加权的一阶范数200幅图像98%Hu矩[43]7欧氏距离378幅图像FAR=0.038%,GAR=98.1%Zernike[44]11欧氏距离300幅图像6.44一阶范数 5.56。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于脊波变换的掌纹识别方法
吴丹阳;张忠波;马驷良
【期刊名称】《吉林大学学报（理学版）》
【年(卷),期】2008(46)5
【摘要】提出一种基于脊波变换的高分辨率多尺度特征提取算法, 并在此基础上设计一种由粗到精的分级匹配方法, 改善了高分辨率下掌纹特征的匹配速度. 理论和实验结果验证了该方法的有效性.
【总页数】3页(P944-946)
【作者】吴丹阳;张忠波;马驷良
【作者单位】吉林大学,数学研究所,长春,130012;吉林大学,数学研究所,长
春,130012;吉林大学,数学研究所,长春,130012
【正文语种】中文
【中图分类】TP301
【相关文献】
1.基于不同小波基函数的多层小波变换掌纹识别方法研究 [J], 秦绪亮;吴青娥;韩振宇;郁杰
2.基于离散曲波变换和支持向量机的掌纹识别方法 [J], 许学斌;张德运;张新曼;曹仰杰
3.基于小波变换和脊波变换的自适应图像去噪算法 [J], 李根强;黄永东;蒋肖
4.基于傅立叶变换的掌纹识别方法（英文） [J], 李文新;张大鹏;许卓群
5.基于小波变换矩阵的改进脊波变换图像去噪 [J], 王宏志;刘媛媛;孙琦
因版权原因，仅展示原文概要，查看原文内容请购买。