基于两级策略的掌纹识别研究

基于两级策略的掌纹识别研究

由于绝缘体的特点，绝缘体的识别越来越受到重视。为了使掌纹识别的准确率和效率得到较好的平衡,作者提出一种基于两层策略的掌纹识别算法。在掌纹识别中,可利用的信息有几何特征、主线特征、皱纹、三角点特征,细节点特征和纹理特征这几类。手的几何特征对图像质量要求低,提取简单,但不能作为身份鉴别中的唯一匹配特征。考虑到粗匹配过程不需要很高的精度,故使用几何特征进行粗匹配。掌纹的特征中线特征是最直观的结构特征,而且比较稳定、特征空间小,可以从低分辨率图像中提取出来,因此,作者选择线特征作为精确匹配依据。作者提出一种新的定位分割算法,以手掌上角点为基准点取得手掌最大中心区域作为ROI,并提取出粗匹配特征。对掌纹图像进行分析,提出一种有效的线特征表示和匹配算法。根据基于两层策略的方法设计分类器,首先根据获得的几何特征进行粗匹配,得到与待识别掌纹相似的数据子集,然后在子集中利用主线特征进行精确匹配,取与待测掌纹最为相似的掌纹样本作为最终识别结果。最后,通过实例验证了本文算法的有效性。1roi/rois转换以前的预处理算法一般都注重提取一定大小的ROI,或将提取出的ROI规定到同一尺寸。作者提出一种新的掌纹定位分割算法,截取掌纹最大中心区域为感兴趣区域(ROI),同时提取出粗匹配特征(见图1)。1.1背景分割算法的邻域化为了提高定位算法的精度,需要对图像进行背景分割。本文所采用的图像由作者自行设计的基于数码相机的采集装置获取,图像背景为黑色。因此,对戴青云等提出的背景分割算法进行重新设定得到判定条件式中:f(i,j)为采集到的原始图像;f(i,j)为邻域均值平均图像;w为白色灰度;b为黑色灰度;Max为用5×5的邻域对图像右上角和右下角背景采样,其邻域最大值;T为通过实验得到的阈值,T=35。通过此法可将原始图像中的黑色背景转变为白色,同时将掌纹区域图像转换为黑色,背景分割的结果如图2(b)所示。1.2为对象的部位去除图像假设B(i,j)为掌纹二值图像,其中手掌区域为黑,背景为白。如果点p(i,j)为手掌区域内的点且它的8个相邻点都为手掌区域内的点时,则将该点删除。即对图像的每个黑点,考察其上下左右的八个邻点,如果所有点全为黑,则证明该点为物体的内部点,可以去除,否则保留。式中:b为3*3结构元素。1.3目标区域大小采用陈彦新等提出的角点检测方法提取手掌上的角点,即通过考察以轮廓点为中心的圆盘内目标及背景所占面积大小来提取角点。假设有一个以轮廓点为中心,半径为r像素的圆盘在轮廓线上移动,设目标区域的大小为sum,则按以下步骤进行角点检测:(1)定义两个指针分别指向轮廓图像和二值图像,假设轮廓图像上的点为C(i,j),二值图像上的点位为B(i,j)。(2)对轮廓图像中的一点C(i,j),若C(i,j)=0(即为轮廓上的点)时计算以B(i,j)为中心,r为半径的圆内黑像素点的个数sum,即统计目标区域的大小。(3)根据目标区域大小判断该点是否满足角点条件,当满足75<sum<105时将该点标记为候选角点。(4)对提取出的角点按x增方向排序,根据手指宽度的先验条件将角点粗略分组,若x(i+1)-x(i)<T则x(i+1)与x(i)属于同一组,否则x(i+1)属于下一组,根据对图像分析,T=20。(5)对每一组候选角点求取圆形模板中目标区域面积最大的点,即sum最大的点作为该组唯一的角点,角点检测结果如图2(c)所示。1.4旋转角度的特征新的感兴趣区域定义如下:(1)定义食指与中指、中指与无名指、无名指与小拇指之间的角点分别为K3、K2、K1。(2)令直线L1=K1K2,计算K1K2与原始图像的横轴夹角θ,θ即为需要旋转的角度。(3)从K3点引一条平行于直线L1的线,与轮廓边缘交于K4。(4)以K3K4为基准边在手掌区域做正方形,得到感兴趣区域的特征点,如图1所示。(5)将灰度图像顺时针旋转θ角度,对按步骤(4)得到的正方形区域进行分割,得到感兴趣区域,如图2(d)所示。设K1点坐标为(x1,y1),K2点坐标为(x2,y2),K3点坐标为(x3,y3),K4点坐标为(x4,y4),则旋转角度θ为ROI的边长l为实际上,掌纹最大中心区域的大小在一定程度上反映了手掌的宽度特征,可以将ROI的边长看成一种几何特征。这里提取ROI边长作为粗匹配特征。2提取线属性的表示2.1基于数字形态学的边缘提取算法目前用来检测掌纹线的方法主要有基于形态小波的线特征提取方法,基于二阶边缘算子的边缘检测算法以及基于数字形态学的边缘提取算法等。本文采用基于散度和对比度的屋脊边缘检测法来提取掌纹主线,首先对ROI图像进行灰度调整和中值滤波处理,然后采用判断对比度和散度方法检测掌纹纹线,经过图像细化、分叉和短线的删除以及断点的连接得到单像素宽度的掌纹主线图像。2.1.1图像进行ut和vt由于掌纹图像具有低对比度、高噪声的特点,故本文先采用Shu等提出的灰度标准化方法来提高图像的对比度。令I(i,j)为坐标(i,j)的像素值,u、v分别为图像的均值和方差。式中:;ut和vt是预先设好的参数。在本文中ut=180,vt=350。灰度调整后效果如图3(b)所示。然后采用中值滤波来消除图像中的噪声干扰,本文中采用3*3中值窗口进行滤波处理,预处理后效果如图3(c)所示。2.1.2基于像素点分布的图像优化掌纹图像是一种典型的条纹图像,其中宽度为3至5个像素,长度大于15个像素的直线或平滑曲线,称为掌纹的线特征。掌纹线(包括主线和褶皱)是一种屋脊边缘。对于屋脊边缘,两边灰度发生激变,根据掌纹线灰度值小,是屋脊边缘的特点采用基于灰度、散度和对比度的边缘检测算法。对每一个像素判断其灰度是否满足要求:假设f(i,j)表示原始灰度图像上的任意一点(i,j)的灰度值,令当flag(i,j)=1时,表明该点可能为纹线上的点,再对其进行进一步的判断,否则处理下一点,经过实验测试,阈值T=5。当图像上一点满足flag(i,j)=1时,计算该像素的散度和对比度,进一步判断该点是否为真正的边缘点。定义散度D和对比度G两个度量,以分析原图像中屋脊边缘的特征。散度D表征屋脊边缘在邻域R内的某一个方向上分布是否集中,对比度G表征邻域R内灰度变化情况。假设当前像素点的坐标为(m,n),其邻域R={(i,j)‖i-m|≤L,|j-n|≤L},其中L为邻域大小,在本文中L=2。将邻域R内所有像素点的灰度值进行排序,得到{gl|gl≤gl+1,0≤l<(2L+1)×(2L+1)},其中gl是排序为第l的像素点灰度值,令式中:g(i,j)是坐标为(i,j)的像素点灰度值,散度D定义为式中:(m,n)为邻域中心像素点坐标;dθ表示了在θ方向上灰度值较小的像素点坐标分散的程度。若dθ在各方向上都较大,为屋脊边缘的可能性小;若dθ在某个方向上较小,则为屋脊边缘的可能性较大。将邻域R按空间位置重新划分为区域和,邻域划分如图4所示。式中:θ=0°、45°、90°、135°;是在某个方向附近的区域;是远离该方向的区域。对比度G定义为式中:为区域内像素的个数;为区域内像素的个数。若邻域R内对比度较大,则存在屋脊边缘的可能性较大;否则可能性较小。将邻域R内的散度D和对比度G同时考虑,可以判定该邻域内存在屋脊边缘的可能性。则当前像素所处邻域内存在边缘的可能性P为当P=1时,判定存在屋脊边缘。其中,T1、T2为判定阈值,在本实验中T1=9,T2=4。利用本算法提取到的掌纹线图像效果如图3(d)所示。得到掌纹线图像后,再用改进的Hilditch细化算法进行细化,得到掌纹线骨架图像如图3(e)所示。图像细化后,由于噪声的影响及褶皱线的存在,在细化后的骨架线上呈现出小的短枝,这样就会产生伪分歧点和端点。所以在细化后必须加入删除毛刺和短线的过程。毛刺的删除实际上是运用边缘跟踪算法,删除跟踪过的纹线中一端为端点,另一端为分叉点,长度小于T的部分;短线的删除是删除长度小于T的小段孤立纹线,去除伪线后的掌纹主线图像如图3(f)所示。2.1.3基于b、c、d点的拟合经过以上算法提取出的掌纹主线可能会有断点的存在。为了更精确地表达掌纹主线和不影响后面的匹配,需要对掌纹线进行修复,连接断点。图5(b)为图5(a)中选定区域的放大图像,假设点a为纹线上一个端点,由a开始沿纹线向回跟踪10个像素,得到b点;同理假设c为端点,由c开始沿纹线向回跟踪10个像素得到d点。设a、b、c、d点坐标分别为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),分别计算线段ab、cd和两端点间ac的倾斜角两端点间的欧式距离d如下如果同时满足|αab-αcd|≤Arg1,|αac-(αab+αcd)/2|≤Arg2和d≤D,则认为a点和c点是断点,连接ac。根据这一准则对掌纹线的每个端点计算其所在线的倾斜角,然后对任意两个不同的端点计算它们之间的距离以及这两个端点连线的倾斜角,最后根据本文算法判断这两个端点是否为断点,如果是则连接这两个端点。图5(c)为对图5(a)进行断点连接后的效果,经过反复实验,取Arg1=Arg2=0.1,D=15。2.2线上特征点和纹线点的跟踪考虑一个掌纹中心区域I,假设其边长为l,则该区域大小为l*l。将I平均分为9个区域,即3*3个小区域。其中,每个小区域都与相邻区域有2*(l/3)的重叠。这样,每个区域内的掌纹线的弧度都很小,非常接近直线,可采用直线段去近似掌纹线,针对每个区域计算掌纹线的起始点和终点作为直线段的端点。因此,线特征提取的重点在于提取出直线段的端点,也就是掌纹线上的特征点。掌纹线上的点分为端点(一条纹线由此开始或在此终结)、分叉点(一条纹路在此分开成为两条或更多的纹路)和纹线点。假设I(i,j)是二值掌纹线图像,其中掌纹线灰度为黑,背景为白,即对掌纹线上的像素p(i,j)计算其N(i,j),N(i,j)为p(i,j)的度,表示其8邻域的像素中值为0的像素个数(含p(i,j))。假设端点集为V,交叉点集为S。若该点的N(i,j)=2,则I(i,j)∈V,若N(i,j)=4,则I(i,j∈S。由于在线特征提取过程中将图像分为9个小区域,因此将每个小区域边界上的点视为端点。由于纹线上特征点有分叉点及端点之分,在检测线段时也分两步进行,由于每个分叉点是三条线段的公共点,因此首先检测起始点为交叉点的线段。检测起始点为分叉点的线段算法如下:①以分叉点为起点,存储起点坐标并沿该点的纹线开始跟踪;②保存跟踪到第一个黑像素时的搜索方向,记为θ;③如果跟踪到端点或分叉点,则对端点或分叉点做标记,并保存终点坐标;④以θ+45°为搜索初始方向,重复步骤①,直至搜索完3个方向。检测线段两端都为普通端点的算法如下:①对于v(i,j)∈V,若未被标记过,则保存该点为起始点;②沿该点的纹线开始跟踪,若跟踪到端点,则保存该点坐标,否则重复步骤②;③若所有端点都检测完毕,则结束,否则重复执行步骤①。最后,连接线段的两端端点,利用直线段近似后的效果如图6(b)所示。2.3第i个区域内的线路数掌纹线图像9个小区域的分割如图7所示,采用上述线特征提取算法对每个区域内的掌纹线特征可以表示为:((xi1,yi1),(xi2,yi2),…,其中:1≤i≤9,n,定义为第i个区域内的线段数,((xi1,yi1),(xi2,yi2))可以描述一个直线段,(xi1,yi1)是起始点坐标,(xi2,yi2)是终点坐标。这样便得到了4×(n1+n2+…+n9)维特征向量L由于线段由起点和终点确定,因此特征向量L反映了掌纹线的空间位置,即反映了掌纹线的结构特征。3从粗到细的分类器设计3.1粗匹配结果对比在本文的定位分割阶段提取的ROI在一定程度上反映了手掌的宽度信息。因此,采用ROI边长作为粗匹配特征。设测试掌纹A,数据库中某掌纹B,其ROI边长分别为la、lb,则当Dab≤d时将B记录入候选集W,W即为粗匹配结果。由于在预处理过程中可能存在微小的平移、旋转,因此对不同图片提取出来的ROI大小会有2个像素左右的偏差。d的取值关系到后续匹配准确度,若d过大,会增加参加精确匹配的数据量,对匹配速度有影响;若d过小,可能造成同一人手掌被划分到W之外,这里d=3。经过粗匹配后,可明显降低参与精确匹配的数据量,不仅提高了匹配速度,同时也能区分那些具有相似线结构但大小不同的掌纹,降低了精确匹配阶段可能产生的错误匹配概率。3.2双向匹配算法在此阶段,需要从粗匹配阶段得到的候选集W中计算出与待识别掌纹最为相似的类别。根据线段匹配标准以及本文构造的线特征特点,设计了一种基于主线特征双向匹配的算法来衡量两个掌纹之间的匹配度,为了更好地说明算法,先作如下定义:测试掌纹图像为A(i,j),数据库中掌纹图像的纹线图为B(i,j)。双向匹配的思想是用A(i,j)中的区域k匹配B(i,j)中同一区域得到匹配线段数matchk(A,B),再用B(i,j)中区域k匹配A(i,j)中同一区域得到匹配线段数matchk(B,A),其中1≤k≤9,对所有区域的matchk(A,B)和matchk(B,A)求和,并除以图像A和图像B的线段总数得到score。score的算法描述如下式中:nAk为图像A中区域k内线段的个数;nBk为图像B中区域k内线段的个数。显然0≤score≤1,score越大相似度越高,在候选集W中求出MAX{score},若MAX{score}大于阈值Tscore,该条记录为匹配结果,两手掌即被认为匹配成功;否则,匹配失败,两手掌被划分为不同的类型。3.3图像片段匹配在精确匹配过程中需要判断两条线段是否来自同一掌纹,本文采用Zhang等提出的线段匹配准则,假设(X1(i),Y1(i))是起始点坐标,(X2(i),y2(i))是终点坐标,其中i=1,2,…,n。n为线段的数目,规定:X1(i)≤X2(i),若X1(i)=X2(i),则有Y1(i)≤Y2(i)。然后分别计算每条线段的斜率、截距和倾斜角如下假设((X1(i),Y1(i)),(X2(i),Y2(i))),((X1(j),Y1(j)),(X2(j),Y2(j)))分别表示来自两幅图像的线段,计算它们之间端点的欧氏距离如下然后按下面的条件进行线段匹配:(1)如果d1≤T且d2≤T,T为设定阈值,则两条线段来自同一手掌。(2)如果两条线段倾斜角的差小于阈值β,截距的差小于阈值B,表明两条线段有相同的倾斜角和截距。如果d1和d2只有一个小于阈值T,但是它们的倾斜角和截距相同,则两条线段也应属于同一手掌。(3)当两条线段有重叠时,如果一条线段的中点在另一条线段的两个端点之间,则认为两条线段是同一条。在本实验中,参数T=5,β=0.15,B=5。4实验2基于tsctore-a.2的识别算法测试本文采用数码相机采集的方式,建立小型掌纹库。在一个月的时间间隔中,采集了60人(每人5幅)共计300幅图像,分辨率为640*480。从掌纹库中选取50人共计250张图片做匹配试验,在匹配实验过程中需要选取一定数目的样本组成训练样本集,本实验中对每个人的图片抽取两张进行训练,即训练样本数50×2=100;将其余的掌纹图片组成测试集来对识别算法进行测试,测试样本数50×3=150