CN100593790C - 基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法 - Google Patents

Abstract

本发明公开了一种基于二维Log-Gabor混合相位特征加密的高精度安全掌纹识别方法。它采用4个方向的混合二维Log-Gabor混合滤波器对预处理后的掌纹图像进行滤波；然后采用相位编码的方式对滤波后的结果提取混合相位特征；接着用密码序列按异或处理方式对提取的掌纹混合相位特征进行加密操作；然后对加密操作后得到的两个加密掌纹混合相位特征，用Hamming距离匹配算法进行匹配，得到匹配结果。该种算法受采集光照条件的影响较小，用密码序列按异或处理方式对掌纹混合相位特征进行加密操作能在不改变类内距离的同时增大了类间距离，不仅提高了掌纹的识别精度，计算复杂度低，且用户可通过更改密码方式保护其隐私保护，系统安全性好。

Description

基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法

技术领域

本发明涉及一种基于生物特征加密的安全身份识别方法，尤其涉及一种基于二维Log-Gabor混合滤波相位特征加密的高精度安全掌纹识别算法。

背景技术

在高度信息化的今天，随着计算机技术和网络技术的迅速发展，信息安全显示出前所未有的重要性。在日常生活中以及金融、司法、安检、电子商务等很多场合都需要准确的身份识别。今天，人类的身份识别的方式主要有三种：第一种是基于知识的方法，如使用密码、口令等；第二种是基于物品的方法，如使用钥匙、ID卡等；第三种是基于人体的生物特征的方法，如人脸、指纹、掌纹，语音等。前两种方法存在着很多的缺陷，基于物品的方法携带不方便且容易丢失、损坏、被盗用或伪造；基于知识的方法容易被遗忘、破解等。因此这两种方法越来越不适合现代科技发展和社会进步。基于人体生物特征的身份识别方法克服了上述缺陷，使用生物特征方法是基于人体所固有的特征，不会丢失或忘记。同时，人体的生物特征各不相同，即使是双胞胎，他们的指纹、虹膜等信息也各不相同，所以生物特征很难被冒充和复制。由于人体生物特征不仅具有唯一性和终身不变性的特点，且数量也非常有限，一旦人的这些有限生物特征被泄漏或被盗用，直接后果就是人的这些生物特征将不能再用于安全系统中的身份匹配识别和身份认证。此外，当一个人的人体生物特征未经加密就直接用于多个独立的安全系统身份识别认证时，一个安全系统的生物特征被攻破或者泄露，所有的这些独立的安全系统均不再安全，会造成各种安全问题，也不能保护隐私。因此就需要由直接的生物特征转移匹配和识别转移到加密域(加密后的生物特征)进行可更替的安全匹配和识别。另外在公司企业中，新人的加入或者已有员工离职，这些都需要对这些人的生物特征(隐私)进行保护。对这些特征作加密处理后，新的特征数据的注册和离职员工的删除后都能够保证不会对其本人产生不良影响。

掌纹识别作为一项新兴的生物识别技术，与其他生物特征相比主要有以下优点：掌纹的面积较大，涵括的信息比一枚指纹丰富得多，因此，从理论上来讲掌纹具有比指纹更好的可区分性，提取的特征不易受噪声的干扰。与虹膜特征相比，掌纹图像采集设备简单易行，成本远低于虹膜图像的采集设备。和手型特征相比，掌纹特征稳定，唯一性更强，不易伪造，且识别精度更高。掌纹获取方式与刑事和诉讼关联较小，因此用户接受程度较高。

目前，研究人员已经对基于掌纹的生物特征识别方法进行了较深入的研究，并取得了一定的成果。Duta[N.Duta，A，Jain and K.Mardia，”Matching of Palmprint”，Pattern RecognitionLetters，vol.23，no.4，pp 477-485，2001]采用与指纹识别相似的方法，从掌纹的纹线中提取点特征进行脱机掌纹验证。这种方法对掌纹图像的质量要求较高，且计算的复杂度较高。Han[C.Han，H.Chen，C.Lin and K.Fan，Personal authentication using palmprint features，”PatternRecognition，vol.36，no.2，pp.371-381，2003]利用Sobel算子和形态学算法从掌纹图像中提取掌纹的线特征，利用这些线特征来实现身份识别。W.Li和D.Zhang[Wenxin Li，David Zhang，Zhoqun Xu，“Palmprint Recognition Based on Fourier Transform.”，Journal of Software，2002，13(5)：879-886.]等人用傅立叶变换将掌纹图像从空域变换到频域，然后在频域中提取能反映空域中掌纹纹线深浅度的R特征和反应掌纹纹线方向的Theta特征，并用这两种特征实现了联机掌纹鉴别。Zhang等人在美国专利[Zhang Dapeng David，Kong Wai-Kin Adams，Method ofpalmprint identification，专利公开号：US 2004/0057604A1]和[Zhang Dapeng David，KongWai-Kin Adams，Palm print identification using palm line orientation，专利公开号：US2005/0281438A1]以及Zhang[D.Zhang，W.Kong，J.You and M.Wong，“Online palmprintidentification”，IEEE Trans.Pattern Anal.Machine Intell，vol.25，no.9，pp.1041-1050，2003]将Gabor滤波器用于提取掌纹图像的纹理特征，称为PalmCode。但这种算法对只采用了掌纹图像的一个方向的信息，其他的方向信息丢失，其掌纹识别精度低。Kong[A.Kong，D.Zhang andM.Kame，”Palmprint identification using feature-level fusion”.Pattern Recognition，vol.39，no.3，PP.478-487，2006.]对Palmcode方法进行改进，采用四个方向的Gabor滤波器分别提取四个方向的掌纹图像的纹理特征，然后通过融合准则将提取的特征进行融合编码，称为FusionCode。因此，这种算法使得特征提取阶段的计算复杂度明显增加。同时，由于Gabor滤波器中直流分量的存在，使其提取的特征受光照的影响较大。Zhang[L.Zhang andD.Zhang，”Characterization of palmptints by wavelets signature via directional context modeling”，IEEE Trans.Syst.Man，Cybern.B，vol.34，no.3，PP.1335-1347，2004]利用小波变换的方法进行掌纹识别。邬向前等人在专利[基于差分运算的高精度掌纹识别方法，申请号2006100110548，发明人邬向前，张大鹏，王宽全]中提供了一种基于差分运算的掌纹识别方法。You[J.You，W.K.Kong，D.Zhang and K.H.Cheung，”Online hierarchical palmprint coding with multiple featuresfor personal identification in large databases”，IEEE Trans.Circuits Syst.Video Technol，vol.14，no.2，pp.234-243，2004]利用多种特征对掌纹进行分层编码，以实现在大规模掌纹数据库中进行身份识别。不过，这些方法的识别精度不仅仍有待提高，且缺少安全性和隐私保护。Zhang[L.Zhang and D.Zhang，”，安全性得到一定程度的增强了，但识别精度有所下降。因此，有必要发明一种能增强安全性和隐私保护的高精度掌纹识别方法。

发明内容

本发明的目的在于提供一种基于二维Log-Gabor混合滤波相位特征加密的安全掌纹识别算法，该方法受采集光照条件的影响较小，计算复杂度低，掌纹的识别精度高，系统安全性好。

本发明实现其发明目的，所采用的技术方案是，一种基于二维Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法，其步骤是：

a、掌纹图像预处理：采用边缘跟踪算法得到人掌纹图像的食指和中指、无名指和小指之间形成的两个角点，并通过这两个角点来校正掌纹图像，然后切割出手掌图像中心且大小为128×128像素的掌纹图像块I；

b、二维Log-Gabor混合滤波：用4个不同方向的二维Log-Gabor滤波器构成二维混合Log-Gabor滤波器LGMF(θ₀，σ_θ，f₀，σ_f)：

$\mathrm{LGMF}({\mathrm{\θ}}_0,{\mathrm{\σ}}_{\mathrm{\θ}},f_0,{\mathrm{\σ}}_f)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{a}_i{G}_i({\mathrm{\θ}}_i,{\mathrm{\σ}}_{\mathrm{\θ}},f_0,{\mathrm{\σ}}_f)$

其中，a_i为方向θ_i的加权系数，G_i(θ_i，σ_θ，f₀，σ_f)是方向为θ_i的二维Log-Gabor滤波器，它在频域中极坐标下的表示形式为：

G(θ_i，σ_θ，f₀，σ_f)＝G_f(f₀，σ_f)×G_θ(θ_i，σ_θ)

而

为径向成分，其中f₀为中心频率，σ_f为高斯函数在径向的标准偏差，

为角度成分，θ_i为此滤波器的方向角度，σ_θ为高斯函数在角度方向的标准偏差；二维Log-Gabor混合滤波器LGMF经反傅立叶变换得到空域的形式IFFT(LGMF)，用IFFT(LGMF)对a步的掌纹图像块I进行卷积滤波操作，得到卷积滤波后的掌纹图像MF，

MF＝IFFT(LGMF)*I，其中*表示空域卷积运算

c、掌纹混合相位特征提取：对滤波后的掌纹图像MF采用相位编码的方式提取掌纹图像的混合相位特征PMPF(Palmprint Mixture Phase Feature)，PMPF＝(MFR，MFI)，其中MFR是掌纹特征实部编码，MFI是掌纹特征虚部编码，分别由下列公式得出：

$\mathrm{MFR}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]<0\end{array}\right.;$

$\mathrm{MFI}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]<0\end{array}\right..$

d、掌纹混合相位特征加密：用长度和掌纹混合相位特征PMPF的bit数相同的伪随机比特序列E对掌纹混合相位特征PMPF进行异或处理，得到加密掌纹混合相位特征EPMPF：

$\mathrm{EPMPF}=\mathrm{PMPF}\&CirclePlus;E;$

e、匹配识别：对于两个掌纹图像分别进行a～d步骤的操作，得到两个加密掌纹混合相位特征EPMPF₁，EPMPF₂；再采用Hamming距离匹配算法对加密掌纹混合相位特征EPMPF₁和EPMPF₂进行匹配，得到匹配结果。

与现有技术相比，本发明的有益效果是：

1.本发明构造的二维Log-Gabor混合滤波器由于没有直流分量，较之有直流分量的Gabor滤波器，其提取的掌纹混合相位特征可以有效地避免光照条件不同对掌纹识别的影响。

2.本发明构造的二维Log-Gabor混合滤波器与掌纹图像卷积的结果中包含有4个不同方向的信息。与采用单个Log-Gabor滤波器相比，能更好地表达掌纹图像的信息，掌纹识别精度高；与多通道Gabor滤波方法的多个Gabor滤波器与掌纹图像进行多次卷积相比，本发明只对掌纹图像作1次卷积运算，从而降低了计算复杂度。

3.本发明在特征提取时，对二维LGMF滤波后的掌纹相位信息直接进行量化编码，直接形成掌纹混合相位特征，简化了识别算法。

4、对相位特征进行异或加密处理，使本方法在基于生物特征进行识别的同时，又结合了基于知识密码的身份识别，在不改变同一手掌不同情况下几次提取的掌纹特征间的(类内)距离同时，通过不同密码增大了不同人的掌纹之间(类间)距离，大大提高了的识别精度。

5、由于识别时既需用人的掌纹特征又需要密码，因此当掌纹被窃取后，系统仍能够安全使用。即由于密码错误或依该人申请，系统只需改变其密钥，不会对该人的原始特征造成影响，该原始的生物特征仍可在其数据库中继续使用，无需使用新的识别算法而改变其生物特征模板，系统照常工作，提高了系统的鲁棒性；数据库中保存的是加密后的特征数据，原始特征数据得到保护，也提高了系统的安全性。

6、伪随机序列的密码，其密钥空间大，能够抵抗各种暴力攻击。因此，用户可通过更改密码方式增强其安全性和隐私保护。

7.在匹配识别阶段，本发明无需对加密的特征进行解密，采用Hamming距离分类器直接对加密的特征向量进行分类匹配，算法简单计算方便，可以做到实时的掌纹识别。

总之，本发明的方法受采集光照条件的影响小，且计算复杂度低，同时结合了基于生物特征的识别和基于知识密码识别的优点，识别精度高，系统安全性好。

仿真实验也说明本方明方法的识别精度高：当误识率FAR高于10^-2％时，本算法的正确接受率超过99％，远高于FusionCode的84.53％。由此可见，本算法具有很高的识别精度。

上述的二维Log-Gabor混合滤波器中的参数σ_θ，f₀，σ_f分别为1.2187、0.03875和0.53267；方向θ_i即θ_i，θ₂，θ₃，θ₄分别为0°、45°、90°和135°；同时四个方向的加权系数a_i即a₁，a₂，a₃，a₄分别为1、-0.33333、-0.86667和0.066667。

选取滤波器的0°、45°、90°和135°四个方向，其均匀分布、提取的相位信息更多且计算方便。滤波器的其他三个参数值和四个方向的权重系统是基于可分离度最大化准则，由遗传优化算法得到，从而使得本发明的混合Log-Gabor达到最优的滤波效果，使识别精度得到提高。

上述c步骤的掌纹混合相位特征提取时，对得到的掌纹混合相位特征PMPF先采用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹混合相位特征PMPF^(P)，再对简化掌纹混合相位特征PMPF^(ρ)进行的d、e两步骤的操作。这样，本发明在匹配计算时，速度进一步得到提高。

下面结合附图和具体的实施方式对本发明作进一步详细的说明。

附图说明

图1是本发明实施例一的原始掌纹图像；

图2是本发明实施例一的预处理后的掌纹图像块I；

图3a为图2的图像块I提取混合相位特征得到的实部编码MFR；图3b为对图2的图像块I提取混合相位特征得到的虚部编码MFI；

图4a、图4b则分别为对图3a、图3b的实部编码和虚部编码异或加密后的结果

图5为本发明实施例一在加密前后不同匹配阈值下的错误接受率(FAR)和错误拒绝率FRR分布图。

图6本发明实施例一不同掌纹识别算法的ROC曲线即错误接受率正确接受率曲线。

具体实施方式

实施例一

本发明的一种具体实施方式为，基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法，包括以下步骤：

a)掌纹图像预处理：采用边缘跟踪算法得到人掌纹图像的食指和中指、无名指和小指之间形成的角点，并通过这两个角点来校正掌纹图像，然后切割手掌图像中心大小为128×128像素的矩形图像块I；

b)二维Log-Gabor混合滤波：用4个不同方向的二维Log-Gabor滤波器构成二维Log-Gabor混合滤波器LGMF(f，θ，θ₀，σ_θ，f₀，σ_f)，

$\mathrm{LGMF}({\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{G}_i({\mathrm{\&theta;}}_i,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)$

其中，G_i(θ_i，σ_θ，f₀，σ_f)是方向为θ_i的二维Log-Gabor滤波器，二维Log-Gabor混合滤波器LGMF经反傅立叶变换得到空域的形式IFFT(LGMF)，用IFFT(LGMF)对a步的掌纹图像I进行卷积滤波操作，得到卷积滤波后的掌纹图像MF；

MF＝IFFT(LGMF)*I，其中*表示卷积运算；

本实施例中二维Log-Gabor混合滤波器设计的具体过程为：

由于二维Log-Gabor滤波器G(θ_i，σ_θ，f₀，σ_f)＝G_f(f₀，σ_f)×G_θ(θ_i，σ_θ)，在空域中的不连续性，所以必须在频域中构造，然后通过反傅立叶变换转换到空域中。频域中，二维Log-Gabor滤波器在极坐标下的表示形式为：

G(θ_i，σ_θ，f₀，σ_f)＝G_f(f₀，σ_f)×G_θ(θ_i，σ_θ)。

其中

为径向成分，其中f₀为中心频率，σ_f为高斯函数在径向的标准偏差。为角度成分，θ_i为此滤波器的方向角度，σ_θ为高斯函数在角度方向的标准偏差。因此，二维Log-Gabor函数在频率域中表示为：

$G({\mathrm{\&theta;}}_i,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=\exp \{-\frac{{\left(\log (f/f_0)\right)}^2}{2{\left(\log \left({\mathrm{\&sigma;}}_f\right)\right)}^2}\}\exp \{-\frac{{(\mathrm{\&theta;}-{\mathrm{\&theta;}}_i)}^2}{2{\mathrm{\&sigma;}}_{\mathrm{\&theta;}}^2}\}.$

从上式可以看出，二维Log-Gabor滤波器在对数坐标下为高斯函数。与传统的二维Gabor滤波器相比，二维Log-Gabor滤波器没有直流分量，并且包含更多的高频成分。在对自然图像编码表示方面，传统的二维Gabor函数滤波器过多的表示了图像的低频成分，而对图像的高频成分表示不足。因此，二维Log-Gabor滤波器具有比Gabor更好图像表示效果。但是一个Log-Gabor滤波器只能表示一个方向的信息，当需要提取的特征同时表示几个方向的信息时，就需要更多的滤波器。这样就使得计算量大大增加。

为此需要构造了一种新的二维Log-Gabor混合滤波器，来提取掌纹图像的混合相位特征。设在频域中，初始方向为θ_i的二维Log-Gabor滤波器为G_i(θ_i，σ_θ，f₀，σ_f)，4个不同方向的Log-Gabor滤波器构成一个新的二维Log-Gabor混合滤波器LGMF(θ₀，σ_θ，f₀，σ_f)，其表示形式为：

$\mathrm{LGMF}({\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{a}_i{G}_i({\mathrm{\&theta;}}_i,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f);$

此滤波器的参数以可分离度最大化准则，由遗传算法优化得到。可分离度d′作为遗传算法的适应度函数，其表示形式为：

$d^{\&prime;}=|{\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2|/\sqrt{({\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2)/2}$

其中μ₁和μ₂分别表示类内距离和类间距离的平均值，σ₁和σ₂分别表示类内距离和类间距离的标准偏差。优化确定的滤波器参数为：(θ₀，σ_θ，f₀，σ_f，)＝(0.73304，1.046，0.02994，0.6633)。

c)混合相位特征提取：对滤波后的掌纹图像MF采用相位编码的方式提取掌纹图像的混合相位特征PMPF＝(MFR，MFI)，其中MFR为提取相位特征的实部，MFI为提取相位特征的虚部，由下列公式得出：

$\mathrm{MFR}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]<0\end{array}\right.;$

$\mathrm{MFI}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]<0\end{array}\right..$

从上式可以看出，当提取的掌纹图像的相位位于[0°～90°]区间时，对应的PMPF为(1，1)，当相位位于(90°～180°]区间时，对应的PMPF为(0，1)。同理可知，当相位位于(180°，270°)和[270°，360°)时，对应的PMPF分别为(0，0)和(1，0)。

对得到的掌纹混合相位特征PMPF先采用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹混合相位特征PMPF^(ρ)。

d)、掌纹混合相位特征加密：用长度和简化掌纹混合相位特征PMPF^(ρ)的bit数相同的伪随机比特序列E对简化掌纹混合相位特征PMPF^(ρ)进行异或处理，得到加密简化掌纹混合相位特征EPMPF^(ρ)：

${\mathrm{EPMPF}}^{\left(\mathrm{\&rho;}\right)}={\mathrm{PMPF}}^{\left(\mathrm{\&rho;}\right)}\&CirclePlus;E$

其中的伪随机序列比特E可以采用各种伪随机序列产生方法生成，如m序列，基于混沌映射的方法和椭圆曲线加密方法等。

2、匹配识别：对于两个掌纹图像分别进行a～d步的操作，得到两个加密简化掌纹混合相位特征EPMPF₁ ^(ρ)，EPMPF₂ ^(ρ)；再采用Hamming(汉明)距离匹配算法对加密简化掌纹混合相位特征EPMPF₁ ^(ρ)和EPMPF₂ ^(ρ)进行匹配，得到匹配结果。

实施时，用户可以根据系统安全性的要求来设定汉明距离匹配算法不同的门限值。如选择0.81作为匹配阈值时，错误接受率达到0.67％，而错误拒绝率为0。

图1，图2，图3a，图3b，图4a和图4b给出了本实施例对图1的原始掌纹图像进行以上a～d步的操作后，得到的处理结果。更具体而言：图1为本实施例的原始掌纹图像。图2为对图1原始掌纹图像进行a步处理对应得到的预处理后掌纹图像块(I)。图3a、图3b分别为对图2的预处理后掌纹图像块(I)提取特征对应得到的实部编码FR和虚部编码FI。图4a、图4b则分别为对图3a、图3b的实部编码和虚部编码异或加密后的结果。

本实施例计算机仿真结果如下：

仿真实验中使用的是香港理工大学公开的免费掌纹数据库PolyU Palmprint Database(http://www.comp.polyu.edu.cn.hk/～biometrics/)，该数据库包含来自100个人每人6张、共600张掌纹图像。这些图像是分两个阶段采集的，两次采集的平均时间间隔为2个月，每次对每个手掌采集3张图像，图像的大小是384×284像素。仿真实验中，采用[Zhang，D.，Kong，J.，Wong，M.：Online Palmprint Identification.IEEE Transactions on Pattern Analysis andMachine Intelligence 25(2003)1041-1050]文献中的预处理技术，将掌纹图像中心大小为128×128像素的图像块来代表整个掌纹图像。

本实施例的仿真实验中，将数据库中的每一个样本都与其他样本进行实施例方法的本匹配识别。来自同一手掌的匹配被称为真匹配，否则称为假匹配。实验中共进行了179700(600×599/2)次匹配，其中1500次为真匹配，其余的为假匹配。一种身份识别方法的性能通常由两种错误率，即错误接受率(False Accept Rate，FAR)和错误拒绝率(False Reject Rate，FRR)来衡量。FRR是指系统将合法用户当成假冒者而拒绝的概率；FRR是指系统将假冒者当成合法用户而接受的概率。FAR和FRR这两个错误率反映了一个生物识别系统两个不同方面。FAR越低，假冒者被接受的可能性越低，从而系统的安全性越高。FRR越低，合法用户被拒绝的可能性越低，从而系统的易用性越好。但是，这两个错误率是矛盾的，二者不能同时降低，其中的任何一个的降低，必将引起另一个的升高。所以，用户应该根据不同的应用来折中调节FAR和FRR：对于安全性要求较高的系统，比如某些军事系统，安全最重要，因此应该降低FAR；在对安全性要求不是很高的系统，比如很多民用性系统，易用性很重要，这时应该相应降低FRR。为了更好的体现FAR和FRR之间的关系，并且方便不同算法之间的相互比较，通常不同阈值下的FAR和GAR＝1-FRR组成二维坐标系中的一系列点(FAR，GAR)，并将这些点在坐标系中画成的曲线称为ROC曲线。

图5为本例方法进行仿真实验时，在不同匹配阈值(Matching Distance)下的错误接受率(FAR)和错误拒绝率(FRR)分布图。横坐标为匹配阈值(Matching Distance)，纵坐标为FAR或FRR值，实线对应的纵坐标值为FRR，虚线对应的值为FAR，也即实线为FRR曲线，虚线为FAR曲线。从图4可以看出FAR和FRR在不同的阈值下的分布情况，当匹配阈值为0.81时，错误接受率仅为0.67％，而错误拒绝率为0。

图6为本例的方法与未进行异或加密运算的本例方法以及现有混合二维Log-Gabor掌纹识别算法的ROC曲线。

图6中ROC曲线表示的是错误接受率FAR和正确接受率GAR分布。其中正确接受率GAR(GenuineAccept Rate，GAR＝1-FRR)。图中带″o″的曲线为本例方法的ROC曲线；带″□″的曲线为未进行异或加密的本例方法的ROC曲线；带″+″的曲线为FusionCode(混合二维Log-Gabor掌纹识别算法)算法的ROC曲线[Kong and Zhang，2004.Feature-levelFusion for Effective Palmprint Authentication.Proceedings of the International Conference ofBiometric Authentication.761-767]。从图6中可以看出本发明的算法远远好于另两种算法。如：当误识率FAR高于10^-2％时，异或加密前本方法的正确接受率高于90.6％，而加密后本方法的正确接受率为100％，远高于FusionCode的84.53％。该实验结果证明，本例方法具有非常高的识别精度。

本实例方法中密钥的精度为10-16，密钥空间为1016，其密钥空间非常大。如果没有正确密钥，被暴力攻击击中(得到的匹配结果)的可能性非常非常小(10-16)，能够抵抗各种暴力攻击。

并且就算密码被盗后，只要重新替换密码，就可产生新的掌纹模板；对于一副掌纹图像，本发明能够产生2²⁰⁴⁸≈10⁶¹⁶不同的掌纹模板，能够满足目前的掌纹特征数据库的需求，一旦掌纹数据被盗，能够删除原来的掌纹特征模板，更改密码后重新发布而不影响系统的性能。

实施例二

本例的方法与实施例一基本相同，不同的仅仅是：匹配识别时，不用采样因子ρ(4×4)进行下采样，而直接采用汉明(Hamming)距离匹配算法对PMPF₁和PMPF₂进行匹配，得到匹配结果。本例的方法比实施例一的方法效果更好，但计算量增加。

本发明的二维正交Log-Gabor滤波器

的参数θ_i，σ_θ，f₀，σ_f，a_i除可以分别取除实施例一中的数值外；也可以取与其相近的其它值，但识别精度会有所降低。

Claims (3)

1、基于二维Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法，其步骤是：

a、掌纹图像预处理：采用边缘跟踪算法得到人掌纹图像的食指和中指、无名指和小指之间形成的两个角点，并通过这两个角点来校正掌纹图像，然后切割出手掌图像中心且大小为128×128像素的掌纹图像块I；

b、二维Log-Gabor混合滤波：用4个不同方向的二维Log-Gabor滤波器构成二维混合Log-Gabor滤波器LGMF(θ₀，σ₀，f₀，σ_f)：

$\mathrm{LGMF}({\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{a}_i{G}_i({\mathrm{\&theta;}}_i,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)$

其中，a_i为方向θ_i的加权系数，G_i(θ_i，σ_θ，f₀，σ_f)是方向为θ_i的二维Log-Gabor滤波器，它在频域中极坐标下的表示形式为：

G(θ_i，σ₀，f₀，σ_f)＝G_f(f₀，σ_f)×G_θ(θ_i，σ_θ)

而

为径向成分，其中f₀为中心频率，σ_f为高斯函数在径向的标准偏差，

为角度成分，θ_i为此滤波器的方向角度，σ_θ为高斯函数在角度方向的标准偏差；二维Log-Gabor混合滤波器LGMF经反傅立叶变换得到空域的形式IFFT(LGMF)，用IFFT(MLG)对a步的掌纹图像块I进行卷积滤波操作，得到卷积滤波后的掌纹图像MF，

MF＝IFFT(LGMF)*I，其中*表示空域卷积运算

c、掌纹混合相位特征提取：对滤波后的掌纹图像MF采用相位编码的方式提取掌纹图像的混合相位特征PMPF(Palmprint Mixture Phase Feature)，PMPF＝(MFR，MFI)，其中MFR是掌纹特征实部编码，MFI是掌纹特征虚部编码，分别由下列公式得出：

$\mathrm{MFR}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Re}\left[\mathrm{MF}\right]<0\end{array}\right.;$

$\mathrm{MFI}=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]\&GreaterEqual;0\\ 0& \mathrm{if}& \mathrm{Im}\left[\mathrm{MF}\right]<0\end{array}\right..$

d、掌纹混合相位特征加密：用长度和掌纹混合相位特征PMPF的bit数相同的伪随机比特序列E对掌纹混合相位特征PMPF进行异或处理，得到加密掌纹混合相位特征EPMPF：

；

e、匹配识别：对于两个掌纹图像分别进行a～d步骤的操作，得到两个加密掌纹混合相位特征EPMPF₁，EPMPF₂；再采用Hamming距离匹配算法对加密掌纹混合相位特征EPMPF₁和EPMPF₂进行匹配，得到匹配结果。

2、根据权利要求1所述的基于二维Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法，其特征在于：所述的二维Log-Gabor混合滤波器

中的参数σ_θ，f₀，σ_f分别为1.2187、0.03875和0.53267；方向θ_i即θ₁，θ₂，θ₃，θ₄分别为0°、45°、90°和135°；同时四个方向的加权系数a_i即a₁，a₂，a₃，a₄分别为1、-0.33333、-0.86667和0.066667。

3、根据权利要求1所述的基于二维Log-Gabor混合滤波的高精度掌纹识别方法，其特征在于：所述c步骤的掌纹混合相位特征提取时，对得到的掌纹混合相位特征PMPF先采用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹混合相位特征PMPF^(ρ)，再对简化掌纹混合相位特征PMPF^(ρ)进行的d、e两步骤的操作。

Images