李 萍,井荣枝,2,尚怡君
(1.郑州大学 西亚斯国际学院,河南 郑州 451150;2.华中科技大学 湖北 武汉 430074)
随着人类社会安全形势越来越严峻和人们安全意识的不断增强,传统的基于指纹的身份鉴别方式已不能满足人们的需要。当前,掌纹识别在市场经济高速发展的需求下日趋成熟。由于掌纹识别自身的独特优势,它已经成为生物识别中的重要内容,对其研究也必将推动其他生物识别技术的发展。掌纹识别[1]是近几年发展起来的较新的生物特征识别技术,而且研究表明这种技术也可获得很高的识别率。掌纹识别技术是通过图像处理、模式识别等方法,利用人的掌纹特征来鉴别个人身份的技术。掌纹作为一种新的生物识别技术,掌纹识别需要具有较高的分辨能力以及较高的用户接受度,而且掌纹所包含的信息远比指纹提供的信息丰富,利用掌纹的线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。因此,从理论上讲掌纹识别应比指纹分析技术更可靠。同时,掌纹识别设备比较低廉。利用特定的识别算法,甚至可以利用低分辨率和低质量的掌纹图像来完成识别过程。所以这一课题的研究不仅具有较高的学术价值、理论与实用意义,而且具有广阔的应用前景和良好的潜在社会与经济效益。早期的研究方法是对掌纹的几何特征进行提取,即利用人的手形特征进行识别,但效果不是很令人满意。近年来人们利用掌纹区域来进行识别。掌纹识别的研究涉及到众多领域的理论和方法,该研究与其它众多学科(如图像处理和模糊模式识别)的发展紧密关联,更多的数学和物理方法,如周期分析、多元回归、逐步回归、聚类分析、时间序列分析、判别分析、主成分分析、马尔可夫链和模糊数学、图论、混沌理论和云计算等也被用于掌纹识别中。相关方法已经被用于图像处理中[2-3],如目标定位和检测等。在目标定位中,主要应用峰值点对应的位置信息来确定图像的位置。不变矩作为图像的特征被广泛的应用于二维图像识别领域当中[4-5],本文将不变矩的非线性组合应用于掌纹识别,取得了较好的效果。
掌纹是指手指末端到手腕部分的手掌图像,其很多特征可以用来进行身份识别:如主线、皱纹、细小的纹理、脊末梢、分叉点等。在线掌纹识别系统一般包括5个部分:
1)掌纹图像采集。根据不同的采集设备(例如CCD照像机)采集掌纹区域图像。首先利用某种设备(基于CCD的专门掌纹图像采集仪、数码照相机等)对掌纹图像进行采集,然后掌纹图像转换成可以用计算机处理的矩阵数据,一般采集利用的都是二维灰度图像;
2)图像预处理。根据手形或者特定设备提供基准线对图像预处理,提取掌纹感兴趣(ROI)区域。预处理的目的是使所采集的掌纹图像能方便的对图像后续处理,如去除噪声使图像更清晰,对输入测量引起或其他因素所造成的退化现象进行复原,并对图像进行归一化处理,如图1所示。最常见的掌纹预处理就是切割ROI区域[6-7]。
图1 掌纹图像预处理Fig.1 The palmprint image pretreatment
不变矩作为图像的特征被广泛的应用于二维图像识别领域当中。有学者由二维图像的几何矩的非线性组合推导出了7项具有旋转、平移和尺度不变性的不变矩,且证明了这些矩保留了数据的分类信息。具体算法描述如下:
p+q级改进矩定义为:
它表示是沿着闭合轮廓的线积分。在实际应用中我们采用离散化公式来近似计算:
3)提取特征。根据不同的方法从掌纹ROI区域中提取不同的特征,例如纹理特征、方向特征、频域特征等。经过了预处理的信息仍然比较庞大和冗余,需要对预处理过的信息进行数据特征提取与选择,并且建立相应的数据库用于存储处理过的特征信息;
4)匹特匹配,对应不同方法使用某种特定距离进行特征匹配;
5)特征分类,根据预先设置的阈值进行分类与识别。
一般情况下,第4)步和第5)步可以简单概括为:计算待识别掌纹的特征信息与数据库中所有特征信息的距离,距离最小的掌纹类别即为识别的结果。
以上提到的掌纹识别的基本框架见图2。在实际应用在线识别系统中还需要其他部分,如个人注册、图像质量检测等。
图2 掌纹识别系统框架Fig.2 The system framework of the Palmprint identification
中心距μpq定义为:
为了得到尺度不变性μpq正则化为:
这些不变矩的组成的向量对于平移、旋转和比例尺变化具有保持不变的性质,因此可以做为掌纹图像的分类特征,对掌纹进行识别。
采用PolyU掌纹库,该数据库中共包括600副掌纹图像,其中有100个不同人的掌纹,每个人的掌纹有6副图像分别在2个时期采集的,采集时间间隔为2个月。在实验中,每个人第一时期采集的三副图像作为训练集,第二时间采集的三副图像作为测试集。
实验环境为个人PC机,处理器为Intel Pentium 4 processor(2.66 GHz),内存为4.0 G,Windows XP操作系统,使用Matlab 7.0。
首先,进行预处理。将所有的掌纹图像归一化为128×128的子图像,然后计算每幅图像的不变矩,利用这个矩组作为掌纹识别特征,然后利用简单的K-最近邻(K=1)分类器进行识别,并与已有的掌纹识别方法Palm-Code[8]、Fusion-Code[9]和Competitive-Code[10]进行了比较。表1给出了掌纹识别结果。
表1 各种掌纹识别方法比较Tab.1 The comparison results of the various palmprint identification methods
由表1可以看出,不同方向对Palm Code算法的识别结果影响比较大;在Fusion Code中,规则化Hamming距离被用于计算测试图像与训练图像间的相似度,由于该方法把4个方向(0°、45°、90°、135°)进行了融合,所以误差(EER)得到了提高;在Competitive Code中,由于提取的特征是在6个方向(0°、30°、60°、90°、120°、150°)的Gabor滤波器竞争编码的结果,所以实验结果有了较大提高;而不变矩方法考虑了掌纹的不同角度,对旋转、平移和尺度具有不变性,所以得到的识别率最高。
本文利用非线性不变矩组成的向量进行掌纹识别,实验结果表明该方法的识别率最高。不足之处是不变矩对图象的描述太过笼统,没有反映掌纹的细节,而且它的计算量较大。所以,我们下一步的工作是挖掘简单鲁棒的掌纹分类特征。
[1]Connie T,Teoh A,Goh M,et al.Palmprint recognition with PCA and ICA[C].Image and Vision Computing New Zealand 2003,Palmerston North,New Zealand,November,2003:232-227.
[2]ITO K,Aoki T,Nakajima H.A palmprint recognition algorithm using phase-only correlation[J].IEICE Transaction on Fundamentals,2008(4):1023-1030.
[3]Hennings P,Kumar B,Savvides M.Palmprint classification using multiple advanced correlation filters and palm-specific segmentation[J].IEEE Trans.on Information Forensics and Security,2007,2(3):613-622.
[4]Tomasi C,Manduchi R.Bilateral filtering for gray and color images[C].Proceedings of the Sixth International Conference on Computer Vision,1998:4-7.
[5]MK Hu.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory,1962(8):179-187.
[6]Zhang D,Kong A,You J,et al.Online palmprint identification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(9):1041-1050.
[7]Kong A,Zhang D.Competitive coding scheme for palmprint verification[C].Proc.Of the 17th ICPR,2004(1):520-523.
[8]Kong A,Zhang D,Kamel M.Palmprint identification using feature-level fusion[J].Pattern Recognition,2006,39(3):478-487.