CN101470800A - 手形识别方法 - Google Patents

Abstract

本发明公开一种基于手形的个人身份鉴别方法，采用成像装置获取人手图像，通过计算机分析、处理，获得个人特征描述，实现个人身份鉴别，其具体实施步骤如下：(1)采用成像装置获取手形图像；(2)在手形图像上提取手形轮廓；(3)根据手形轮廓提取手形特征点；(4)根据手形特征点构成手形特征向量；(5)根据手形特征向量进行手形特征匹配。本发明的主要特点在于：(1)算法简单；(2)被测试者接受程度高；(3)性能稳定；(4)容易实现多模态识别。本发明特别适合于门禁系统等场合。

Description

手形识别方法

技术领域

本发明属身份识别领域，尤其涉及一种通过提取手形的几何特征，进行身份识别的手形识别方法。

背景技术

手形识别指的是对手部的外部轮廓所构成的几何图形进行识别。相对于其他生物特征(例如虹膜、指纹)，手形的测量比较容易实现，对图像获取设备的要求较低，手形识别算法相对简单。在所有的生物特征识别方法中，手形的认证速度是最快的。基于上述原因，手形认证已经成为生物特征识别技术的一个重要组成部分，并受到越来越多的重视。

目前针对手形采集图像的处理方法有两种，一种方法是采用在半透明玻璃底部打光，并且从底部对用户的手形图像进行采集。这种方法对于设备遮光要求严格，实现起来也有一定的困难且界面不友好；另一种方法是采用直方图均衡阈值分割等方法，但是无论全局直方图均衡化(容易造成手形图像的缺失)或者局部直方图均衡(容易造成冗余噪声)都无法取得很好的结果。

手形匹配是手形识别的关键，传统的匹配方法大致有两种：基于点模式匹配方法和基于特征矢量匹配方法。前者通过将手形轮廓图像表示为一系列特征点集，然后对两个手形的特征点集进行匹配认证，误识率较小，但计算量和拒识率相对较大。为了避免手指连接处的非线形活动，要求采集的时候要事先对采集设备和采集者做出种种限制，这也限制了手形认证技术的发展。后者通过计算手形的长度和宽度等特征矢量来对不同手形进行匹配认证，该方法计算量小，匹配速度快，但是误识率较高。

现有手形识别方法存在的问题：

(1)现有手形识别采用固定拴的接触方法获取手形的图像，从而确定手指的方向。一些人会感到不卫生，特别是需要每个手指放于固定的位置，一方面对用户不够友好，另一方面由于不同人之间手的大小不同会降低识别的准确率。本发明采用非接触方法，能够解决上述问题。

(2)现有手形识别采用点模式匹配方法，计算量大。本发明采用几何特征实现匹配，计算量小。

发明内容

本发明旨在提供一种算法简单、被测试者接受程度高、稳定性高、容易实现多模态识别的手形识别方法。

为达到上述目的，本发明包括如下几个步骤：

(1)采用成像装置获取手形图像；

(2)在手形图像上提取手形轮廓；

(3)根据手形轮廓提取手形特征点；

(4)根据手形特征点构成手形特征向量；

(5)根据手形特征向量进行手形特征匹配，以此实现基于手形的个人身份鉴别。

作为一种优选方案，描述如下：

本发明所述步骤(1)在拍摄过程中人的五指处于自然张开状态，手掌平面与成像机构的成像平面平行，手掌平面与成像机构成像平面之间的距离在一个可变的范围内。

本发明所述步骤(2)包括通过边缘检测方法或灰度阈值分割方法获取手形轮廓。

本发明步骤(3)所述的特征点包括指尖点、指根点、手指关节处的位置、手腕的位置、生命线和感情线的起始点。

本发明所述步骤(4)通过步骤(3)找到的特征点，构成手形的特征向量；所述特征向量包括手指长度、手指宽度、手指的厚度、各个指关节的长度和宽度、手掌长度、手掌的厚度、手掌与手指的长度比值、手的长度、手腕的宽度、手掌中主线条数及交点的个数、指根间的相互关系。

另外，本发明所述步骤(5)是应用步骤(4)所得到的特征向量，通过匹配算法实现个人身份的鉴别。

与其他生物特征识别比较，手形识别具有以下优点：

(1)算法简单。人脸、虹膜、指纹等生物特征识别方法主要依据纹理特征和代数特征来实现，计算复杂度较高。而手形识别主要依据几何特征来实现，其计算复杂度明显低于其它生物特征识别，从而使所构成的认证装置具有成本低、工作速度快的优点。

(2)被测试者接受程度高。手形识别可以实现非接触成像方式，被测试者接受程度高。虹膜识别尽管属于非接触成像方式，但成像过程需要被测试者紧密配合，特别是对于眼睛较小的被测试者，需要努力睁大眼睛才能够进行测试，被测试者的接受程度较低。指纹识别目前只有接触成像方式，不仅受成像装置手指磨损和污迹影响严重，而且被测试者接受程度存在差异。

(3)性能稳定。手形几何尺寸稳定，识别结果受外界环境干扰小。而人脸特征识别受化妆品、衰老、表情、毛发等因素的影响严重。虹膜识别受眼睛睁开大小乃至睫毛遮挡的影响严重，目前尚没有得到根本的解决。

(4)容易实现多模态识别。手形与手部静脉、掌纹具有相同的成像方式，因此，手形识别可以方便地与静脉识别、掌纹识别结合，从而能够显著提高个人身份鉴别的可靠性。

(5)尽管手形识别率不如其它生物特征识别，但是，由于具有成像容易，算法简单，成本低廉的明显优势，在要求不是很高的门禁系统中具有绝对的优势。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围将不仅局限于下列内容的表述。

图1为本发明手形识别系统流程框图；

图2为本发明曲率计算方法示意图；

图3为本发明曲率方法检测手指指尖、手指指跟效果图；

图4为本发明粗定位方法示意图；

图5为本发明细定位方法示意图；

图6为本发明特征提取示意图。

具体实施方式

如图1所示，本发明方法由以下步骤组成：

步骤一：采用成像装置获取手形图像

在拍摄过程中人的五指处于自然张开状态，手掌平面与成像机构的成像平面平行，手掌平面与成像机构成像平面之间的距离在一个可变的范围内。

步骤二：在手形图像上提取手形轮廓

将获取的手形图像进行预处理，可以通过对图像的二值化，轮廓提取，轮廓跟踪，得到手形的轮廓图像。

步骤三：根据手形轮廓提取手形特征点

本发明所述步骤三包括：

a)找到大拇手指与食指之间的指跟点；

b)从上述a)找到的指跟点开始，沿着手指轮廓线搜索，标记曲率变化较大的轮廓线部分，在每个所标记的轮廓线部分寻找中心点作为相邻手指交叉点或者指尖点；

c)根据相邻手指交叉点确定指根点。

步骤四：根据手形特征点构成手形特征向量

本发明所述步骤四将步骤三获得的指根点和指尖点作为手形识别特征点，从而得到手形特征向量。

步骤五：根据手形特征向量进行手形特征匹配，以此实现基于手形的个人身份鉴别

本发明所述步骤五是根据步骤四获得的指根点和指尖点位置，提取食指、中指、无名指及小拇手指的长度，再计算出四个长度之间的六个相对长度比值，即食指长度/中指长度、食指长度/无名指长度、食指长度/小拇手指长度、中指长度/无名指长度、中指长度/小拇手指长度及无名指长度/小拇手指长度。依据所获长度比值，计算两幅图像之间对应长度的欧式距离，采用六个欧式距离之和进行匹配，即：

$D=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{{(A-B)}^2}---\left(1\right)$

式中n代表相对长度特征的个数，A和B分别表示两个人的长度比值。

其中步骤一的具体实施方式为：

在拍摄过程中人的五指处于自然张开状态，手掌平面与成像机构的成像平面平行，手掌平面与成像机构成像平面之间的距离在一个可变的范围内。这样做的目的是第一：应用灰度阈值可以很容易将手形图片与背景分开；第二：各个手指张开可以保证在曲率计算分割手指阶段，准确找到各个手指的指跟，最后使成像装置垂直拍摄手形图像。本发明中用到的图片对光照条件的要求比较低，特征提取中用的是手形轮廓的几何特征，所以光照的强弱不会造成识别率的降低。在下面详细介绍中用到的图片都是640＊480的BMP图片。

其中步骤二的具体实施方式为：

第一步：对步骤一获取的手形图像进行二值化。

图像的二值化是灰度图像处理的基本操作，就是把灰度图像的灰度值处理成只有两种灰度，黑(0)、白(255)。也就是只有前景色和背景色。

此处采用了5*5的邻域对手形图像的四个角和图像中心采样，算出单个象素的平均值(记作Pels_avg)。f(i，j)表示手形原图像象素值，favg(i，j)代表以5*5邻域的象素灰度的平均值，g(i，j)代表二值化后的图像。W代表白色(255)，B代表黑色(0)。则二值化过程是：

通过公式(2)，再用中值滤波滤掉椒盐噪声。

第二步：对二值化的手形图像进行轮廓提取；

轮廓提取的目的是获得手形的外部轮廓特征，为图像的形状分析做准备。轮廓提取的算法就是去掉背景色：如果原图中一点为黑色，且它的8个相邻点都是黑色时，则该点为背景点，将该点删除。

第三步：进行轮廓跟踪，从而得到手的轮廓图像。

首先找到图片上第一个边界像素：按照从上到下，从左到右的顺序搜索，找到的第一个黑点一定是左上方的边界点，记为A。以这个边界点开始，定义初始的搜索方向为沿左上方；如果左上方的点是黑色，则为边界点，否则搜索方向顺时针旋转45度。这样一直找到第一个黑点为止。然后把这个黑点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续用同样的方法继续搜索下一个黑点，直到返回最初的边界点为止。

其中步骤三的具体实施方式为：

通过曲率的方法找到曲率变化比较大的区域。目的是找到各个手指的指跟，从而将手指分开。由于大拇手指的活动比较灵活，可能会出现与手掌不在同一个平面等问题。所以在以后的叙述中不考虑提取大拇手指的特征，所提到的四个手指分别指食指、中指、无名指、小拇手指。根据步骤二得到的边界图像，按照列扫描的方式遍历图像上的各个像素点，找到第一列边界点的个数为三个像素的位置，并设置其行坐标为POINT_X，从此点开始按照逆时针方向沿边界扫描，寻找指根、指尖所在的区间范围。

曲率是用于平衡曲线弯曲程度的参数，公式为 $K=\frac{\mathrm{\Δ\ξ}}{\mathrm{\Δs}},$ 其中Δs代表曲线上弧长的长度，Δξ为曲线上切线变化的角度，然而计算Δξ不如计算Δζ简单，如图2中所示，ζ(s)代表P点两侧向量和

之间的夹角，如果夹角越大表示该点的曲率越小，曲线弯曲程度越小；如果夹角越小，表示该点的曲率越大，曲线弯曲程度越大。由于手指根尖和手指根部的边界曲线弯曲程度都比较明显，所以设定一个阈值(例如2.5)，当该点的曲率小于阈值的时候，则认为该点属于指根或者指尖所在的区域。遍历结束后会寻找到七个曲率变化比较大的区域。如图3所示，取每个区域内起始点和终止点纵坐标的均值，将该点作为寻找到的角点。

为了区分各个角点是指根点还是指尖点，比较每个区域的起始点P1，终止点P2的横坐标的大小。如果X_P₁>X_P₂；则令MIN_X＝X_P₂；反之，令MIN_X＝X_P₁。如果P点的横坐标大于MIN_X，则该点为指尖点，否则该点为指根点。应用这种方法可以得到四个指尖点T₁、T₂、T₃、T₄，三个指跟点A、B、C(如图3所示)。A点上方为食指做在的区域；A点与B点之间是中指所在的区域；B点与C点之间是无名指所在的区域，C点的下方为小拇手指所在的区域。

然后在每个区域中找到手部的特征点：

第一步：粗定位方法。

根据曲率方法已经将各个手指分开，但是由于手指根部连接处的非线形活动，通过曲率方法寻找到的指跟只能用于分开两个邻近的手指，为了更进一步的确定手指跟部，首先应用粗定位的方法寻找每个手指两侧的指跟。

(1)、在已确定的指根A，B，C处沿边界向前扫描20个像素点，分别为A₁，B₁，C₁；向后扫描20个像素点，分别为A₂，B₂，C₂，以指跟A处为例，连接点A和A₁，A和A₂，得到直线AA₁，AA₂，在点A和A₁之间的边界上，寻找距直线AA₁最远的点V₁；在点A和A₂之间的边界上，寻找距直线AA₂最远的点V₂。在指跟B，C处做同样的操作，从而得到指跟点V₁～V₆。

(2)、进一步确定食指和小拇手指的外边界点。以食指为例，连接点T₁和V₁，得到直线T₁V₁，以T₁为圆心，|T₁V₁|为半径沿逆时针方向画圆，与边界的第一个交点即为食指的外边界点V₀，使

小拇手指做类似的处理得到外边界点V₇，使

第二步：细定位方法。

进一步精确定位食指和小拇手指的外边界点。仍以食指为例，连接点T₁，V₀，V₁得到一个三角形，通过公式(3)计算三角形的形心M(X，Y)。

$X=(X_{T_1}+X_{V_0}+X_{V_1})/3$

                                             (3)

$Y=(Y_{T_1}+Y_{V_0}+Y_{V_1})/3$

连接指尖点T₁与形心点M，确定一条直线T₁M，通过内指根点V₁向直线T₁M作垂线，并且延长此垂线，和手形的的边界图像交于一点V₀’，确定该点为细定位确定的外边界点。小拇手指做类似的操作，得到指跟点V₇’。从而寻找到了食指、中指、无名指、小拇手指的指根(T₁、T₂、T₃、T₄)和指尖点(V₀’、V₁、V₂、V₃、V₄、V₅、V₆、V₇’)。

其中步骤四的具体实施方式为：

第一步：确定各个手指的长度。连接通过细定位方法得到的每个手指的两侧指根点，即食指的指跟连线V₀’V₁，中指的指跟连线V₂V₃，无名指的指跟连线V₄V₅，小拇手指的指跟连线V₆V₇’(如图6)。计算其每条直线的中点坐标V¹、V²、V³、V⁴。连接T₁V¹、T₂V²、T₃V³、T₄V⁴，将此长度作为各个手指的绝对长度(食指长度|T₁V¹|；中指长度|T₂V²|；无名指长度|T₃V³|；小拇手指长度|T₄V⁴|)。从而得到四个手指的绝对长度。

第二步：计算各个手指之间的相对长度，一共包括6个相对长度构成特征向量，分别为食指长度/中指长度(|T₁V¹|/|T₂V²|)；食指长度/无名指长度(|T₁V¹|/|T₃V³|)；食指长度/小拇手指长度(|T₁V¹|/|T₄V⁴|)；中指长度/无名指长度(|T₂V²|/|T₃V³|)；中指长度/小拇手指长度(|T₂V²|/|T₄V⁴|)；无名指长度/小拇手指长度(|T₃V³|/|T₄V⁴|)。

其中步骤五的具体实施方式为：

可以采用多种特征匹配的方法，这里给出一种欧几里德距离判别函数实现匹配的方案。

6个相对长度的距离函数为

$\mathrm{Dis}\tan \mathrm{ce}=\underset{i=1}{\overset{6}{\mathrm{\Σ}}}\sqrt{{(A-B)}^2}$

其中A为已经注册的手指相对长度的特征参数，B为登录的手指相对长度的特征参数。

该距离越小，表明两个特征向量越贴近。根据实验，可以确定当该距离小于阈值(例如：12)，即可认为两者达到匹配标准。如图6所示，L1、L2、L3、L4分别为食指、中指、无名指、小母手指的长度。

Claims (8)

1、一种手形识别方法，采用成像装置获取手形图像，通过计算机对手部几何形状进行分析，从而获取手形特征参数，其特征在于包括以下步骤：

(1)采用成像装置获取手形图像；

(2)在手形图像上提取手形轮廓；

(3)根据手形轮廓提取手形特征点；

(4)根据手形特征点构成手形特征向量；

(5)根据手形特征向量进行手形特征匹配，以此实现基于手形的个人身份鉴别。

2、根据权利要求1所述的手形识别方法，其特征在于：所述步骤(1)在拍摄过程中既允许人的五指处于自然张开状态、也允许处于闭合状态；既允许手掌平面与成像机构的成像平面平行、也允许不平行；即允许手掌平面与成像机构成像平面之间的距离固定、也允许在一个可变的范围内。

3、根据权利要求1所述的手形识别方法，其特征在于：所述步骤(2)包括通过边缘检测方法或灰度阈值分割方法获取手形轮廓。

4、根据权利要求1所述的手形识别方法，其特征在于：步骤(3)所述的特征点包括指尖点、指根点、手指关节处的位置、手腕的位置、生命线和感情线的起始点。

5、根据权利要求1所述的手形识别方法，其特征在于：所述步骤(4)通过步骤(3)找到的特征点，构成手形的特征向量；所述特征向量包括手指长度、手指宽度、手指的厚度、各个指关节的长度和宽度、手掌长度、手掌的厚度、手掌与手指的长度比值、手的长度、手腕的宽度、手掌中主线条数及交点的个数、指根间的相互关系。

6、根据权利要求1所述的手形识别方法，其特征在于：所述步骤(5)是应用步骤(4)所得到的特征向量，通过匹配算法实现个人身份的鉴别。

7、根据权利要求3所述的手形识别方法，其特征在于：所述步骤(5)是应用步骤(4)所得到的特征向量，通过匹配算法实现个人身份的鉴别。

8、根据权利要求5所述的手形识别方法，其特征在于：所述步骤(5)是应用步骤(4)所得到的特征向量，通过匹配算法实现个人身份的鉴别。

Images