基于可控方向值方图算法的掌纹图像特征提取技术

【摘要】采用多通滤波检测器实现对掌纹图像的特征信息采集，对采集的掌纹图像进行不同层次的特征信息分割，通过深层特征提取方法实现对掌纹图像特征融合处理。构建掌纹图像的可控方向值二维融合调度模型，结合多维多视角图像的分割先验知识，建立掌纹图像特征提取的可控方向值方图;分析掌纹图像的浅层特征信息和深层特征信息，对各层特征信息实现信息融合;利用可控方向值方图融合算法实现对掌纹图像特征提取和识别优化。仿真结果表明，采用该方法进行掌纹图像特征提取的精度较高、误分率较小，提高了对掌纹图像的识别和检测能力。

【关键词】可控方向值方图;掌纹图像;特征提取;图像分割

〔中图分类号〕TP391 〔文献标识码〕A 〔文章编号〕1674-3229（202004- 0024一05

0 引言

掌纹同指纹一样，都是人体的重要生物特征。随着图像处理技术的发展，利用智能图像特征分析方法提取人体的生物特征信息，完成图像特征的提取和有效的数据融合，全面地将个体特征提供给识别系统，实现了特征提取技术在身份鉴定和辨识等领域的广泛应用[1]。

对掌纹图像特征提取的传统方法主要有模糊信息处理法、基于支持向量机学习法以及基于图像分割的特征提取方法等，构建掌纹图像特征提取的图模型结构，通过二维和三维空间分布式重构，实现掌纹图像特征提取。传统方法进行特征提取的适应度不高、精度不好[2-4]。

针对上述问题，本文引入可控方向值方图算法提取掌纹图像特征，在掌纹图像特征（边缘轮廓等）的分割处理上采用深层特征融合，结合多维多视角图像分割构建可控方向值二维融合调度模型，从而实现掌纹图像特征的提取。

1 掌纹图像采集和分割预处理

1.1 掌纹图像采集模型

结合小波多尺度分解[5]方法实现掌纹图像中关键特征分解重构，并用矢量量化图像的小波变换系统，采用图像编码技术，构建掌纹图像的特征提取模型，如图1所示。

图1 掌纹图像特征提取模型

根据图1所示的掌纹图像特征提取模型，采用特征图的细化操作方法，获得掌纹的纹理特征信息，根据掌纹图像的纹理分布的字典集[6]，采用迭代深层特征信息融合的方法，得到掌纹图像特征提取的纹理字典集为：

其中，f为掌纹图像特征参数，△g为深层提取的特征信息参数，y（j）为构造特征图信息融合参数模型，通过学习图像块的数据特征得到掌纹信息增强的寻优模型描述为：

其中，pi（t）为掌纹的语义相关性融合特征函数，△p（t）为语义分割网络分布的结构特性，采用多层网络结构分析的方法，得到输出的zi（t），zj（t）表示掌纹图像的特征提取视觉分布点，采用空间区域映射和线性融合的方法，得到掌纹图像的多层次纹理分布结果为：

其中，hn为提取掌纹的纹理稀疏特征分量，采集的掌纹图像进行不同层次的特征信息分割，采用深层特征提取方法实现纹理信息衍射分析，提高掌纹图像的识别能力[7]。

1.2 掌纹图像分割

采用深层特征融合完成掌纹图像的分割处理，采用边缘轮廓提取方法构建掌纹图像的超维信息特征分割模型，通过三维信息空间重构，进行掌纹图像的信息增强处理[8]，提取掌紋图像的稀疏性特征解集，通过模糊度寻优，得到掌纹图像的自相关特征匹配模型为：

其中，df为掌纹图像的稀疏度融合特征分量，dfi，j为掌纹图像的超分辨融合分布系数，以像素点j为中心进行掌纹图像的小波多尺度融合和线性分割。初始化掌纹图像的纹理特征点，对于每个掌纹图像的特征点K的近邻点[9]，得到掌纹纹理融合解析控制函数为：

其中，i为掌纹图像的纹理信息分割的阈值，R为一个规范常量，sj为掌纹图像的多维特征空间融合系数，gi为掌纹图像边缘特征子集，通过离散线性序列融合[10]，得到掌纹图像深度学习的纹理映射特征分布函数为：

其中，k（a）为掌纹图像特征提取的子空间映射函数，构建掌纹的模板匹配模型，根据线性分割结果，得到掌纹图像的边缘轮廓子集，得到子集信息分量为：

其中，гv为掌纹匹配模型参数，lx为纹理分布函数值，构建掌纹图像的深层次纹理映射模型，提高掌纹图像的信息融合和特征辨识能力[11]。

2 掌纹图像特征提取优化

2.1 掌纹图像可控方向值二维融合

构建掌纹图像的可控方向值二维融合调度模型，结合多维多视角图像分割的先验知识，建立掌纹图像特征提取的可控方向值方图，采用平衡语义标签分布插值运算的方法[12]，得到掌纹图像的可控方向值分布维数为m，在掌纹数据库中采用线性匹配滤波检测的方法，得到掌纹图像的可控方向下的纹理分布序列为Aj（j=1，2，…，n），d=[d1d2…dn]表示掌纹图像可控方向值的差异度，dj≥0，∑j=1dj=1，dj表示掌纹图像可控的相似度分布距离，结合光流信息检测的方法，得到掌纹分布序列模板匹配输出为：

选择直方图模板匹配方法，得到掌纹的可控方向值方图为：

p（v）=Jc+Ω（X）+U（9）

其中，Jc为可控方向值方图的模糊度函数，Ω（X）是融合光流场检测增强系数，采用空间区域模型动态切换的方法，提取掌纹图像的相似度信息，得到T次迭代后的模糊度系数，得出掌纹图像可控模糊参数为：

其中，J（x）为掌纹图像的目标直方图重建系数，I（x）为掌纹分布的光流场幅度图。根据上述分析，构建掌纹图像可控方向值二维融合模型[13]。

2.2 掌纹图像特征提取输出

采用相似性区域合并的方法，构建掌纹图像可控方向的Kalman滤波分析模型，结合区域等效直方图分析方法[14]，得到掌纹图像的稀疏特征点用I（i，j）描述，得到目标模板I（k）（i，j）表示如下：

其中，k表示出区域等效直方图的等效区域控制系数，采用邻域加权控制的方法，得到掌纹图像可控方向的分层特征提取输出为：

M=I（K）（i，j）+d（z）+he（12）

其中，d（z）为掌纹图像的灰度特征分布参数，he为当前处理区域函数，对每个窗口的直方图实现加权控制，结合纹理稳态识别的方法，得到模板匹配的差异度函数为：

其中，hk、gk代表图像融合和滤波系数，若Xi为原始掌纹纹理线性分布序列，yi、zi分别为掌纹特征融合系数，其面积为Ai。根据匹配模板直方图分析和线性跟踪识别，得到掌纹图像的特征提取输出的迭代函数为：

zd=rw+（gy+ge）（14）

其中，rw为掌纹图像特征提取的可控方向值方图参数，gy，ge为掌纹图像的浅层特征信息和深层特征信息，采用线性特征序列加权控制的方法[15]，实现掌纹图像加权稳定性控制，在最佳特征匹配下，得到掌纹图像的边缘特征提取输出为：

Φ=zd+（λ+v）+cn（15）

其中，掌纹图像的边缘信息加权系数λ，v均为常数，且λ>0，cn为输出的控制权系数，掌纹图像的特征提取的分布面积为：

其中，I（s）為掌纹图像的灰度直方图，vr是符号函数，Gσ是误差系数，综上分析，采用可控方向值方图融合算法，实现对掌纹图像特征提取和识别优化[16]。实现流程如图2所示。

3 仿真测试

为了验证本文方法提取掌纹特征的应用性能，采用Matlab进行掌纹特征提取算法的仿真测试分析，掌纹的采集样本数为1200，掌纹纹理特征分布的训练集规模为500，模板匹配系数为0.38，掌纹纹理的相似度系数为0.014，得到待识别的掌纹图像如图3所示。

图3为待识别的掌纹图像，得到的掌纹图像纹理特征提取结果输出如图4所示。

图2 掌纹图像特征提取实现流程

图3 待识别的掌纹图像

图4 纹理特征提取输出结果

分析图4可知，本文方法能有效实现掌纹图像的纹理特征提取，特征聚类性较好。为进一步验证本文方法的应用性能，对比本文方法和文献[10]中改进的掌纹特征提取方法、文献[11]中基于形态学滤波和邻域搜索的掌纹提取方法，测试掌纹特征提取纹理分布误差，结果如图5所示。

图5 误差对比测试

分析上述仿真结果可知，用本文方法进行掌纹图像特征提取和识别，误差较小，且波动振荡性低于传统方法。

4 结语

为了利用特征分布的差异性实现人体生物特征编码识别，有效提取方向特征的稳定性信息，本文提出基于可控方向值方图算法的掌纹图像特征提取技术。基于小波变换的矢量量化方法，使其在图像分析和处理等方面的优异性得到体现。仿真测试结果表明，本文方法对掌纹图像特征提取的聚类性较好，识别误差较低。

[参考文献]

[1]何正义，曾宪华，郭姜.一种集成卷积神经网络和深信网的步态识别与模拟方法[J].山东大学学报（工学版），2018，48（3）：88-95.

[2]郭伟，邢宇哲，曲海成.高置信度互补学习的实时目标跟踪[J].中国图象图形学报，2019，24（8）：1315-1326.

[3]吴明珠，陈瑛，李兴民.基于Stein-Weiss函数的彩色掌纹特征识别算法[J].计算机应用研究，2020，37 （4）：322-326.

[4]WU Y，LIM J，YANGM H.Object tracking benchmark[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence，2015，37（9）：1834-1848.

[5]周友行，刘汉江，赵晗妘，等.基于像元相互关系的FCM聚类分割算法[J].仪器仪表学报，2019，40（9）：124-131.

[6]余祥伟，薛东剑，陈凤娇.融合多尺度边缘检测的小波贝叶斯SAR图像滤波[J].遥感信息，2019，34（5）：120-125.

[7]姚启芳.基于模糊聚类的养生旅游资源信息检索方法[J].廊坊师范学院学报（自然科学版），2020，20（1）：81-85.

[8]窦方正，孙汉昌，孙显，等.基于DBN与对象融合的遥感图像变化检测方法[J].计算机工程，2018，44 （4）：294-298+304.

[9]孙佳美，吴成茂.正则化图形模糊聚类及鲁棒分割算法[J].计算机工程与应用，2019，55（11）：179-186.

[10]滕少华，罗江，费伦科一种改进的掌纹线方向特征提取方法[J].江西师范大学学报（自然科学版），2018，42（3）：311-316.

[11]李海燕，潘培哲，唐一吟，等.基于形态学滤波和邻域搜索的掌纹主线提取方法[J].计算机应用与软件，2018，35（8）：254-259.

[12]蔡俊，赵超，沈晓波，等.基于卷积神经网络的Canny算法优化[J].廊坊师范学院学报（自然科学版），2019，19（4）：23-26+44.

[13]李俊杰，高翠芳，黄芳.墓于优化采样支持向量机的指纹二值化方法[J].东北师大学报（自然科学版），2018，50（4）：59-65.

[14]刘炳初，赵越岭，王浩，等.智能考勤系统的设计[J].辽宁工业大学学报（自然科学版），2018，38（6）：364-367.

[15]刘珍珍，刘云清，颜飞.指纹图像干湿度评价及亮度自动调节方法研究[J].长春理工大学学报（自然科学版），2018，41（5）：83-87.

[16]杜柏圣.卷积网络的无监督特征提取对人脸识别的研究[J].计算机技术与发展，2018，28（6）：17-20.

[收稿日期]2021-07-09

[基金项目]福建省教育厅中青年科技项目（JAT191931）

[作者简介]胡海锋（1972-），男，硕士，闽西职业技术学院信息与制造学院副教授，研究方向：计算机科学。