CN101286195A - 基于二维正交Log-Gabor滤波的高精度掌纹识别方法 - Google Patents

Abstract

本发明公开了一种基于二维正交Log－Gabor滤波的高精度掌纹识别方法。它用两个方向相互正交的二维Log－Gabor滤波器构成二维正交Log－Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)，对预处理后的掌纹图像进行滤波；再对滤波后的掌纹图像OF采用相位编码的方式提取掌纹图像的正交相位特征POPF＝(FR，FI)；再采用汉明距离匹配算法分别对两个掌纹图像的正交相位特征POPF₁和POPF₂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，且计算复杂度低，识别精度高。

Description

基于二维正交Log-Gabor滤波的高精度掌纹识别方法

技术领域

本发明涉及的是一种基于生物特征的身份识别方法，具体的说是一种基于二维正交Log-Gabor滤波的高精度掌纹识别方法。

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。目前，人类的身份识别方式主要有三种：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。

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。同时，掌纹的主要特征是手掌上的几条主线和褶皱线，因此在低分辨率图像下提取的特征也足以提供身份识别所需的信息，并且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，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[D.Zhang，W.Kong，J.You and M.Wong，“Online palmprint identification”，IEEE Trans.Pattem 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 and M.Kame，”Palmprintidentification 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 and D.Zhang，”Characterization of palmptints bywavelets 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 andK.H.Cheung，”Online hierarchical palmprint coding with multiple features for personalidentification 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。

发明内容

本发明的目的在于提供一种基于二维正交Log-Gabor滤波的掌纹识别算法，该种算法受采集光照条件的影响较小，且计算复杂度低，识别精度高。

本发明实现其发明目的所采用的技术方案是，一种基于二维正交Log-Gabor滤波的高精度掌纹识别方法，其步骤为：

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，然后切取手掌图像中心大小为128×128像素的矩形图像块I；

b、二维正交Log-Gabor滤波：用两个方向相互正交的二维Log-Gabor滤波器构成二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)：

$\mathrm{OLG}(f,\mathrm{\θ},{\mathrm{\θ}}_0,{\mathrm{\σ}}_{\mathrm{\θ}},f_0,{\mathrm{\σ}}_f)=G(f,\mathrm{\θ},{\mathrm{\θ}}_0,{\mathrm{\σ}}_{\mathrm{\θ}},f_0,{\mathrm{\σ}}_f)-G(f,\mathrm{\θ},{\mathrm{\θ}}_0+\frac{\mathrm{\π}}{2},{\mathrm{\σ}}_{\mathrm{\θ}},f_0,{\mathrm{\σ}}_f);$

其中，G(f，θ，θ₀，σ_θ，f₀，σ_f)是方向为θ₀的二维Log-Gabor滤波器，二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)经反傅立叶变换得到空域的形式IFFT(OLG)，用IFFT(OLG)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OF，

OF＝IFFT(OLG)*I，其中*表示卷积运算

c、正交相位特征提取：对滤波后的掌纹图像OF采用相位编码的方式提取掌纹图像的正交相位特征POPF＝(FR，FI)，其中FR，FI由下列公式得出：

$\mathrm{FR}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]<0\end{array}\right.$

$\mathrm{FI}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]<0\end{array}\right.$

d、匹配识别：对于两个掌纹图像分别进行以上a～c步的操作，得到两个掌纹正交相位特征POPF₁，POPF₂；再采用汉明距离匹配算法对POPF₁和POPF₂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、本发明构造的二维正交Log-Gabor滤波器由于没有直流分量，所以其提取的掌纹正交相位特征，从而可以有效地避免不同光照条件对掌纹识别的影响。

2、本发明构造的二维正交Log-Gabor滤波器与掌纹图像卷积的结果中包含有两个相互垂直方向的信息。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，从而大大降低了计算复杂度。

3、本发明在特征提取时，对二维OLG滤波后的掌纹相位信息直接进行量化编码，不需要进行其他处理，直接形成掌纹正交相位特征，整个识别算法得到简化，不仅能够得到很高的识别精度，也使得计算速度大大提高。

4、在匹配识别阶段，本发明直接采用Hamming距离分类器对提取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，识别精度高。

仿真实验也证明本发明方法的识别精度高：当错误接受率为10⁰％时，本发明的正确接受率为97.67％，比FusionCode算法高6.54％，比PalmCode算法高8.47％；当错误接受率大于10^-1％时，本发明的正确接受率高于93.27％，比FusionCode算法高6.27％，比PalmCode算法高8.26％。可见本发明是一种高精度的身份识别算法。

上述的二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)的参数θ₀，σ_θ，f₀，σ_f，分别为0.73304，1.046，0.02994，0.6633。这四个参数值是基于可分离度最大化准则，由遗传优化算法得到，从而使得本发明的正交Log-Gabor达到最优的滤波效果，使识别精度得到提高。

上述d步的匹配识别时，对得到的两个掌纹正交相位特征POPF₁，POPF₂先采用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹正交相位特征POPF₁ ^(ρ)，POPF₂ ^(ρ)，再采用汉明(Hamming)距离匹配算法对POPF₁ ^(ρ)和POPF₂ ^(ρ)进行匹配，得到匹配结果。这样，本发明在匹配计算时，速度进一步得到提高。

附图说明

图1a、图1b分别为本发明实施例的两个原始掌纹图像。

图2a、图2b分别为对图1a、图1b的两个原始掌纹图像分别进行a步处理对应得到的预处理后掌纹图像(I₁)、(I₂)。

图3a、图3b分别为对图2a、图2b的两个预处理后掌纹图像(I₁)、(I₂)提取特征对应得到的两个实部编码FR₁，FR₂；

图4a、图4b则分别为对图2a、图2b的两个预处理后掌纹图像(I₁)、(I₂)提取特征对应得到的两个虚部编码FI₁，FI₂。

图5为本发明实施例在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为本发明实施例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

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。

实施例一

本发明的一种具体实施方式为，基于二维正交Log-Gabor滤波的高精度掌纹识别方法，其步骤是：

a、掌纹图像预处理：采用边缘跟踪算法得到原始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，然后切取手掌图像中心大小为128×128像素的矩形图像块I；

b、二维正交Log-Gabor滤波：用两个方向相互正交的二维Log-Gabor滤波器构成二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)：

$\mathrm{OLG}(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)-G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0+\frac{\mathrm{\&pi;}}{2},{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f);$

其中，G(f，θ，θ₀，σ_θ，f₀，σ_f)是方向为θ₀的二维Log-Gabor滤波器，二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)经反傅立叶变换得到空域的形式IFFT(OLG)，用IFFT(OLG)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OF，

OF＝IFFT(OLG)*I，其中*表示卷积运算

本实施例中二维正交Log-Gabor滤波器设计的具体过程为：

由于二维Log-Gabor滤波器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(f，θ，θ₀，σ_θ，f₀，σ_f)＝G_f(f，f₀，σ_f)×G_θ(θ，θ₀，σ_θ)。

其中 $G_f=(f,f_0,{\mathrm{\&sigma;}}_f)=\exp \{-\frac{{\left(\log (f/f_0)\right)}^2}{2{\left(\log \left({\mathrm{\&sigma;}}_f\right)\right)}^2}\}$ 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。 $G_{\mathrm{\&theta;}}(\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}})=\exp \{-\frac{{(\mathrm{\&theta;}-{\mathrm{\&theta;}}_0)}^2}{{2\mathrm{\&sigma;}}_{\mathrm{\&theta;}}^2}\}$ 为角度成分，θ₀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：

$G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=\exp \{-\frac{{\left(\log (f/f_0)\right)}^2}{2{\left(\log \left({\mathrm{\&sigma;}}_f\right)\right)}^2}\}\exp \{-\frac{{(\mathrm{\&theta;}-{\mathrm{\&theta;}}_0)}^2}{{2\mathrm{\&sigma;}}_{\mathrm{\&theta;}}^2}\}.$

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正交Log-Gabor滤波器，来提取掌纹图像的正交相位特征。设在频域中，初始方向为θ₀的二维Log-Gabor滤波器为G(f，θ，θ₀，σ_θ，f₀，σ_f)，两个方向相互垂直的Log-Gabor滤波器构成一个新的正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)，其表示形式为：

$\mathrm{OLG}{(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)}_1=G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)-G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0+\frac{\mathrm{\&pi;}}{2},{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f).$

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，)。

a)正交相位特征提取：对滤波后的掌纹图像OF采用相位编码的方式提取掌纹图像的正交相位特征POPF＝(FR，FI)，其中FR为提取相位特征的实部，FI为提取相位特征的虚部，由下列公式得出：

$\mathrm{FR}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]<0\end{array}\right.$

$\mathrm{FI}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]<0\end{array}\right.$

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POPF为(1，1)，当相位位于(90°～180°]区间时，对应的POPF为(0，1)。同理可知，当相位位于(180°，270°)和[270°，360°)时，对应的POPF分别为(0，0)和(1，0)。

d、匹配识别：对于两个掌纹图像分别进行a～c步的操作，得到两个掌纹正交相位特征POPF₁，POPF₂；先用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹正交相位特征POPF₁ ^(ρ)，POPF₂ ^(ρ)，再采用汉明(Hamming)距离匹配算法对POPF₁ ^(ρ)和POPF₂ ^(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0.49作为匹配阈值时，错误接受率和错误拒绝率同时达到1.598％。

图1a、图1b，图2a、图2b，图3a、图3b及图4a、图4b给出了本实施例对图1a、图1b的两个原始掌纹图像进行以上a～c步的操作后，得到的处理结果。更具体而言：图1a、图1b分别为本实施例的两个原始掌纹图像。图2a、图2b为对图1a、图1b两个原始掌纹图像分别进行a步处理对应得到的预处理后掌纹图像(I₁)、(I₂)。图3a、图3b分别为对图2a、图2b的两个预处理后掌纹图像(I₁)、(I₂)提取特征对应得到的两个实部编码FR₁，FR₂；图4a、图4b则分别为对图2a、图2b的两个预处理后掌纹图像(I₁)、(I₂)提取特征对应得到的两个虚部编码FI₁，FI₂。

本实施例的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本例识别方法的匹配识别。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。错误拒绝率(FRR)是指系统将合法用户当成假冒者而拒绝的概率；FAR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和正确接受率GAR(Genuine Accept Rate，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为本发明实施例方法仿真实验时，在不同匹配阈值下的错误接受率(FAR)和错误拒绝率FRR分布图。从图5可以看出FAR和FRR在不同的阈值下的分布情况，当阈值为0.49时，FAR与FRR相等，均为1.598％。

图6为本发明实施例的方法与现有的两种基于二维Gabor的掌纹识别算法的ROC曲线。图中本发明算法的ROC曲线为*构成的曲线，PalmCode算法的ROC曲线为+构成的曲线[Kong，Zhang，Wenxin Li，2003，Palmprint feature extraction using 2-D Gabor filters，PatternRecognition.36，2339-2347]；FusionCode算法的ROC曲线为o构成的曲线[Kong and Zhang，2004.Feature-level Fusion for Effective Palmprint Authentication.Proceedings of the InternationalConference of Biometric Authentication.761-767]。从图6中可以看出本发明的算法远远好于这两种算法。当错误接受率为10⁰％时，本发明的正确接受率为97.67％，比FusionCode算法高6.54％，比PalmCode算法高8.47％；当错误接受率大于10^-1％时，本发明的正确接受率高于93.27％，比FusionCode算法高6.27％，比PalmCode算法高8.26％。可见本发明是一种高精度的身份识别算法。

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POPF₁和POPF₂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OLG(f，θ，θ₀，σ_θ，f₀，σ_f)的参数θ₀，σ_θ，f₀，σ_f，除可以分别取0.73304，1.046，0.02994，0.6633；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、一种基于二维正交Log-Gabor滤波的高精度掌纹识别方法，其步骤为：

a、掌纹图像预处理：采用边缘跟踪算法得到原始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，然后切取手掌图像中心大小为128×128像素的矩形图像块I；

b、二维正交Log-Gabor滤波：用两个方向相互正交的二维Log-Gabor滤波器构成二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)：

$\mathrm{OLG}(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)=G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0,{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f)-G(f,\mathrm{\&theta;},{\mathrm{\&theta;}}_0+\frac{\mathrm{\&pi;}}{2},{\mathrm{\&sigma;}}_{\mathrm{\&theta;}},f_0,{\mathrm{\&sigma;}}_f);$

其中，G(f，θ，θ₀，σ_θ，f₀，σ_f)是方向为θ₀的二维Log-Gabor滤波器，二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)经反傅立叶变换得到空域的形式IFFT(OLG)，用IFFT(OLG)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OF，

OF＝IFFT(OLG)*I，其中*表示卷积运算

c、正交相位特征提取：对滤波后的掌纹图像OF采用相位编码的方式提取掌纹图像的正交相位特征POPF＝(FR，FI)，其中FR，FI由下列公式得出：

$\mathrm{FR}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Re}\left[\mathrm{OF}\right]<0\end{array}\right.$

$\mathrm{FI}=\left\{\begin{array}{cc}1\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]\&GreaterEqual;0\\ 0\mathrm{if}& \mathrm{Im}\left[\mathrm{OF}\right]<0\end{array}\right.$

d、匹配识别：对于两个原始掌纹图像分别进行以上a～c步的操作，得到两个掌纹正交相位特征POPF₁，POPF₂；再采用汉明距离匹配算法对POPF₁和POPF₂进行匹配，得到匹配结果。

2、根据权利要求1所述的基于二维正交Log-Gabor滤波的高精度掌纹识别方法，其特征在于：所述的二维正交Log-Gabor滤波器OLG(f，θ，θ₀，σ_θ，f₀，σ_f)的参数θ₀，σ_θ，f₀，σ_f，分别为0.73304，1.046，0.02994，0.6633。

3、根据权利要求1所述的基于二维正交Log-Gabor滤波的高精度掌纹识别方法，其特征在于：所述d步的匹配识别时，对得到的两个掌纹正交相位特征POPF₁，POPF₂先采用采样因子ρ(4×4)进行下采样，得到大小为32×64的简化掌纹正交相位特征POPF₁ ^(ρ)，POPF₂ ^(ρ)，再采用汉明距离匹配算法对POPF₁ ^(ρ)和POPF₂ ^(ρ)进行匹配，得到匹配结果。

Images