CN101819631B - 一种身份识别方法和身份识别系统 - Google Patents

Abstract

本发明涉及身份识别技术，针对现有基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差的缺陷，提供一种身份识别方法和身份识别系统。方法包括：采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像和掌纹特征图像；对人脸特征图像和掌纹特征图像进行Gabor滤波；融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。本发明可有效的解决现有基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差的问题。

Description

一种身份识别方法和身份识别系统

技术领域

本发明涉及身份识别技术，更具体地说，涉及一种身份识别方法和身份识别系统。

背景技术

身份识别方法广泛应用于人们日常生活的方方面面。传统的身份识别方法主要包括两种，第一种是基于知识的身份识别方法，第二种是基于物品的身份识别方法。基于知识的身份识别方法包括基于例如但不限于密码、口令等认证手段的身份识别方法，这种方法存在的主要缺陷在于密码、口令等认证手段容易被忘记。基于物品的身份识别方法包括基于例如但不限于钥匙、身份证、智能卡等认证手段的身份识别方法，这种方法存在的主要缺陷在于钥匙、身份证、智能卡等认证手段容易丢失。因此，一旦认证手段被忘记、丢失或者被其他人获取，个人身份就很容易被冒名者顶替。

相对传统身份识别方法，生物特征识别方法采用诸如人脸、指纹、掌纹等人体固有特征进行身份识别，具有不会遗忘、丢失和很难被仿冒等优点，因此可以达到更安全的身份认证目的。

各种不同的生物特征有不同的优缺点，因而可以应用于不同的应用场合。人脸是人类最普遍采用的身份认证手段，具有采集简易、方便且隐蔽的优点，但是受光线等环境影响较大；虹膜精确度高，但是采集困难，而且采集过程会给用户带来不舒适感；掌纹的精确度介于人脸和虹膜之间，采集相对方便，受环境影响较小。

由上文所述不难理解，不同的生物特征各具优缺点。基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差。

因此，需要一种身份识别解决方案，可融合各种生物特征的优点，以提高基于生物特征的身份识别技术的准确度和鲁棒性。

发明内容

本发明要解决的技术问题在于，针对现有基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差的缺陷，提供一种身份识别方法和身份识别系统。

本发明解决其技术问题所采用的技术方案是：

一种身份识别方法，包括：

提取步骤，包括：

采集步骤，包括分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像和掌纹特征图像；

滤波步骤，包括分别对人脸特征图像和掌纹特征图像进行Gabor滤波；

编码步骤，包括分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码；

融合步骤，包括融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；

匹配步骤，包括通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

优选的，所述采集步骤进一步包括：

人脸特征图像采集步骤，包括：

采集所述人脸图像，定位其中的双眼位置；

旋转该人脸图像，使得旋转后的双眼位置连线处于水平位置；

在旋转后的人脸图像中截取大小为128×128像素的部分作为人脸特征图像F(x，y)，其中该人脸特征图像的中心为旋转后的人脸图像的中心。

优选的，所述采集步骤进一步包括：

掌纹特征图像采集步骤，包括：

采集所述掌纹图像，定位其中食指和中指之间的角点，以及无名指和小拇指之间的角点；

旋转该掌纹图像，使得旋转后的双眼位置连线处于垂直位置；

在旋转后的掌纹图像中截取大小为128×128像素的部分作为掌纹特征图像P(x，y)，其中该掌纹特征图像的中心为旋转后的掌纹图像的中心。

优选的，在所述滤波步骤中，

所述对人脸特征图像进行Gabor滤波包括：

分别基于多个Gabor小波

对所述人脸特征图像进行卷积操作，得到对应的多个卷积图像{Gⁱ(x，y)，i＝0，1，...，uv}，其中每一Gabor小波表示为：

其中，u为频率，v为方向，

所述多个卷积图像表示为：

生成滤波后的人脸特征图像W(x，y)，其中W(x，y)表示为：

W(x，y)＝G^m(x，y)(x，y)

其中 $m(x,y)=\arg m\underset{i}{a}x\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1},...,\mathrm{uv}.$

优选的，在所述滤波步骤中，

所述对掌纹特征图像进行Gabor滤波包括：

分别基于两个Gabor小波

对所述掌纹特征图像P(x，y)进行卷积操作，得到对应的多个卷积图像{Gⁱ(x，y)，i＝0，1}，其中每一Gabor小波表示为：

其中，其中f＝0.0916，σ＝5.6179，θ_i＝iπ/2，所述多个卷积图像表示为：

生成滤波后的掌纹特征图像W(x，y)，其中W(x，y)表示为：

W(x，y)＝G^m(x，y)(x，y)

其中 $m(x,y)=\arg m\underset{i}{a}x\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1}.$

优选的，所述编码步骤进一步包括：

计算滤波后的人脸特征图像W(x，y)每个像素的相位P(x，y)，依照如下公式生成人脸特征编码(b₁ ^face(x，y)，b₂ ^face(x，y))：

$({b_1}^{\mathrm{face}}(x,y),{b_2}^{\mathrm{face}}(x,y))=\left\{\begin{array}{cc}\left(\mathrm{1,1}\right),& 0\&le;P(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),& \mathrm{\&pi;}/2\&le;P(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),& \mathrm{\&pi;}\&le;P(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),& 3\mathrm{\&pi;}/2\&le;P(x,y)<2\mathrm{\&pi;}\end{array}\right..$

优选的，所述编码步骤进一步包括：

计算滤波后的掌纹特征图像W(x，y)每个像素的相位P(x，y)，依照如下公式生成人脸特征编码(b₁ ^palm(x，y)，b₂ ^palm(x，y))：

$({b_1}^{\mathrm{palm}}(x,y),{b_2}^{\mathrm{palm}}(x,y))=\left\{\begin{array}{cc}\left(\mathrm{1,1}\right),& 0\&le;P(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),& \mathrm{\&pi;}/2\&le;P(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),& \mathrm{\&pi;}\&le;P(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),& 3\mathrm{\&pi;}/2\&le;P(x,y)<2\mathrm{\&pi;}\end{array}\right..$

优选的，所述待识别用户的身份特征为X_face-palm＝(b₁(x，y)，b₂(x，y)，b₃(x，y)，b₄(x，y))，其中b₁(x，y)＝b₁ ^face(x，y)，b₂(x，y)＝b₂ ^face(x，y)，b₃(x，y)＝b₁ ^palm(x，y)，b₄(x，y)＝b₂ ^palm(x，y)。

一种身份识别系统，包括：

提取模块，包括：

采集模块，用于分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像和掌纹特征图像；

滤波模块，用于分别对人脸特征图像和掌纹特征图像进行Gabor滤波；

编码模块，用于分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码；

融合模块，用于融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；

匹配模块，用于通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

优选的，所述采集模块进一步包括：

人脸特征图像采集模块，用于：

采集所述人脸图像，定位其中的双眼位置；

旋转该人脸图像，使得旋转后的双眼位置连线处于水平位置；

在旋转后的人脸图像中截取大小为128×128像素的部分作为人脸特征图像F(x，y)，其中该人脸特征图像的中心为旋转后的人脸图像的中心。

实施本发明的技术方案，具有以下有益效果：本发明提供的技术方案基于人脸和掌纹两种生物特征来进行身份识别，可有效的解决现有基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差的问题。同时，本发明提供的技术方案无需使用训练数据进行学习，使用简单，在不同的应用场合配置方便，可以克服子空间投影方法需要对维数参数反复测试进行确定的缺点。此外，本发明提供的技术方案对生物特征采用0/1编码，在计算机上通过异或操作进行匹配，所需存储空间小，可以在提高匹配效率的同时降低所占用的存储空间，非常适合嵌入式应用。而且本发明技术方案的特征抽取时间约为传统核空间方法的一般，存储119个人的生物特征所占用的存储空间约为核方法的1/300。最后，仿真实验证明本发明提供的技术方案可以获得比传统方法更高的识别准确度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是依据本发明一较佳实施例的身份识别方法的流程图；

图2A～2D是依据本发明一较佳实施例的人脸特征图像的详细采集过程的示意图；

图3A～3E是依据本发明一较佳实施例的掌纹图像的详细采集过程的示意图；

图4A是人脸图像的示意图；

图4B是Gabor小波的示意图；

图4C是滤波后的卷积图像的示意图；

图5是掌纹图像的示意图；

图6A、6B是编码后的人脸特征图像的示意图；

图6C、6D是编码后的掌纹特征图像的示意图；

图7是本发明身份识别系统的逻辑结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种身份识别方法和身份识别系统，基于人脸和掌纹两种生物特征来进行身份识别，可有效的解决现有基于单一一种生物特征的身份识别技术的准确度和鲁棒性相对较差的问题。同时，本发明提供的技术方案无需使用训练数据进行学习，使用简单，在不同的应用场合配置方便，可以克服子空间投影方法需要对维数参数反复测试进行确定的缺点。此外，本发明提供的技术方案对生物特征采用0/1编码，在计算机上通过异或操作进行匹配，所需存储空间小，可以在提高匹配效率的同时降低所占用的存储空间，非常适合嵌入式应用。而且本发明技术方案的特征抽取时间约为传统核空间方法的一般，存储119个人的生物特征所占用的存储空间约为核方法的1/300。最后，仿真实验证明本发明提供的技术方案可以获得比传统方法更高的识别准确度。下面就结合附图和具体实施例来对本发明提供的技术方案进行详细描述。

图1是依据本发明一较佳实施例的身份识别方法100的流程图。如图1所示，方法100开始于步骤102。

随后，在下一步骤104，执行采集步骤，包括分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像和掌纹特征图像；

在具体实现过程中，采集步骤进一步包括人脸特征图像采集步骤，该步骤包括：

采集所述人脸图像，定位其中的双眼位置；

旋转该人脸图像，使得旋转后的双眼位置连线处于水平位置；

在旋转后的人脸图像中截取大小为128×128像素的部分作为人脸特征图像F(x，y)，其中该人脸特征图像的中心为旋转后的人脸图像的中心。

人脸特征图像的详细采集过程请参见图2A～2D所示。

在具体实现过程中，采集步骤进一步包括掌纹特征图像采集步骤，该步骤包括：

采集所述掌纹图像，定位其中食指和中指之间的角点，以及无名指和小拇指之间的角点；

旋转该掌纹图像，使得旋转后的双眼位置连线处于垂直位置；

在旋转后的掌纹图像中截取大小为128×128像素的部分作为掌纹特征图像P(x，y)，其中该掌纹特征图像的中心为旋转后的掌纹图像的中心。

在具体实现过程中，可采用边缘提取、跟踪等算法得到掌纹图像中食指和中指、无名指和小拇指之间的角点。

掌纹特征图像的详细采集过程请参见图3A～3E所示。

随后，在下一步骤106，执行滤波步骤，包括分别对人脸特征图像和掌纹特征图像进行Gabor滤波；

在具体实现过程中，对人脸特征图像进行Gabor滤波可进一步包括：

分别基于多个Gabor小波

对所述人脸特征图像进行卷积操作，得到对应的多个卷积图像{Gⁱ(x，y)，i＝0，1，...，uv}，其中每一Gabor小波表示为：

其中，u为频率，v为方向，

所述多个卷积图像表示为：

生成滤波后的人脸特征图像W(x，y)，其中W(x，y)表示为：

W(x，y)＝G^m(x，y)(x，y)

其中 $m(x,y)=\arg m\underset{i}{a}x\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1},...,\mathrm{uv}.$

在具体实现过程中，可设计5个频率，8个方向的40个Gabor小波

u＝0，Λ4，v＝0，Λ，7来执行卷积操作。当人脸图像如图4A所示时，这40个Gabor小波如图4B所示，而滤波后得到的40个卷积图像如图4C所示。

在具体实现过程中，上述卷积操作也可以通过将图像和小波分别进行快速傅立叶变换，变换到频域进行乘积操作，再将乘积进行快速反傅立叶变换得到。

在具体实现过程中，对掌纹特征图像进行Gabor滤波可进一步包括：

分别基于两个Gabor小波

对所述掌纹特征图像P(x，y)进行卷积操作，得到对应的多个卷积图像{Gⁱ(x，y)，i＝0，1}，其中每一Gabor小波表示为：

其中，其中f＝0.0916，σ＝5.6179，θ_i＝iπ/2，所述多个卷积图像表示为：

生成滤波后的掌纹特征图像W(x，y)，其中W(x，y)表示为：

W(x，y)＝G^m(x，y)(x，y)

其中 $m(x,y)=\arg m\underset{i}{a}x\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1}.$

在具体实现过程中，上述卷积操作也可以通过将图像和小波分别进行快速傅立叶变换，变换到频域进行乘积操作，再将乘积进行快速反傅立叶变换得到。

掌纹图像如图5所示。

随后，在下一步骤108，执行编码步骤，包括分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码以作为待识别用户的身份特征；

在具体实现过程中，编码步骤可进一步包括，计算滤波后的人脸特征图像W(x，y)每个像素的相位P(x，y)，依照如下公式生成人脸特征两位编码(b₁ ^face(x，y)，b₂ ^face(x，y))：

$({b_1}^{\mathrm{face}}(x,y),{b_2}^{\mathrm{face}}(x,y))=\left\{\begin{array}{cc}\left(\mathrm{1,1}\right),& 0\&le;P(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),& \mathrm{\&pi;}/2\&le;P(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),& \mathrm{\&pi;}\&le;P(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),& 3\mathrm{\&pi;}/2\&le;P(x,y)<2\mathrm{\&pi;}\end{array}\right..$

上述人脸特征编码(b₁ ^face(x，y)，b₂ ^face(x，y))所对应的图像如图6A和图6B所示。

在具体实现过程中，编码步骤可进一步包括，计算滤波后的掌纹特征图像W(x，y)每个像素的相位P(x，y)，依照如下公式生成人脸特征编码(b₁ ^palm(x，y)，b₂ ^palm(x，y))：

$({b_1}^{\mathrm{palm}}(x,y),{b_2}^{\mathrm{palm}}(x,y))=\left\{\begin{array}{cc}\left(\mathrm{1,1}\right),& 0\&le;P(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),& \mathrm{\&pi;}/2\&le;P(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),& \mathrm{\&pi;}\&le;P(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),& 3\mathrm{\&pi;}/2\&le;P(x,y)<2\mathrm{\&pi;}\end{array}\right..$

上述掌纹特征编码(b₁ ^face(x，y)，b₂ ^face(x，y))所对应的图像如图6C和图6D所示。

随后，在下一步骤110，执行融合步骤，包括融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征。

在具体实现过程中，待识别用户的身份特征为X^face-palm＝(b₁(x，y)，b₂(x，y)，b₃(x，y)，b₄(x，y))，其中：

b₁(x，y)＝b₁ ^face(x，y)，b₂(x，y)＝b₂ ^face(x，y)，b₃(x，y)＝b₁ ^palm(x，y)，b₄(x，y)＝b₂ ^palm(x，y)。

此外，在具体实现过程中，还可将待识别用户的身份特征保存为单独的人脸特征编码和单独的掌纹特征编码的形式。

随后，在下一步骤112，执行匹配步骤，包括通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

在具体实现过程中，可按照如下方式计算待识别用户的身份特征与身份特征库中的身份特征之间的距离：

身份特征为X¹ _face-palm＝(b_i ¹(x，y))，i＝1，ΛB以及X² _face-palm＝(b_i ²(x，y))，

i＝1，ΛB的两个用户P，Q的之间的距离可以采用以下公式计算：

$d(P,Q)=\frac{\underset{x=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{h-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{B}{\mathrm{\&Sigma;}}}{b_j}^1(x,y)\&CircleTimes;{b_j}^2(x,y)}{B\&times;w\&times;h}$

在具体实现过程中，若待识别用户的身份特征采用单独的人脸特征编码和单独的掌纹特征编码的形式，则可按照如下方式计算待识别用户的身份特征与身份特征库中的身份特征之间的距离：

假设用户P的人脸编码为X¹ _face，掌纹编码为X¹ _palm，用户Q的人脸编码为X² _face，掌纹编码为X² _palm。首先分别计算P、Q人脸的距离d_face＝d(X¹ _face，X² _face)和掌纹的距离d_palm＝d(X¹ _palm，X² _palm)，用户P、Q的整体距离则可以通过下式计算：

d(P，Q)＝α×d_face+(1-α)×d_palm

在具体实现过程中，可设置对应的距离阈值，若算得的距离小于该阈值，则表明待识别用户的身份特征与身份特征库中的身份特征匹配，否则不匹配。

最后，方法100结束于步骤114。

在具体实现过程中，步骤104-110可称为提取步骤，步骤112可称为匹配步骤。

本发明还提供了一种身份识别系统，下面就结合图7对其进行详细描述。

图7是依据本发明一较佳实施例的身份识别系统700的逻辑结构示意图。如图7所示，身份识别系统700包括提取模块702和匹配模块704。

提取模块702包括：

采集模块7022，用于分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像和掌纹特征图像；

滤波模块7024，用于分别对人脸特征图像和掌纹特征图像进行Gabor滤波；

编码模块7026，用于分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码；

融合模块7028，用于融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；

匹配模块704用于通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

在具体实现过程中，身份识别系统700中的各个模块的功能与图1中各方法步骤中的操作相对应。有关这些操作步骤的具体内容已经在前文做了详细的描述，因此此处不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种身份识别方法，其特征在于，包括提取步骤和匹配步骤，其中

所述提取步骤包括：

采集步骤，包括分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像F1(x，y)和掌纹特征图像F2(x，y)；

滤波步骤，包括分别对人脸特征图像F1(x，y)和掌纹特征图像F2(x，y)进行Gabor滤波；

编码步骤，包括分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码；其中，计算滤波后的人脸特征图像W1(x，y)每个像素的相位P1(x,y)，依照如下公式生成人脸特征编码(b₁ ^face(x,y),b₂ ^face(x,y))：

$({b_1}^{\mathrm{face}}(x,y),{b_2}^{\mathrm{face}}(x,y))=\left\{\begin{array}{c}\left(\mathrm{1,1}\right),0\&le;P1(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),\mathrm{\&pi;}/2\&le;P1(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),\mathrm{\&pi;}\&le;P1(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),3\mathrm{\&pi;}/2\&le;P1(x,y)<2\mathrm{\&pi;}\end{array}\right.;$

计算滤波后的掌纹特征图像W2(x，y)每个像素的相位P2(x，y)，依照如下公式生成掌纹特征编码(b₁ ^palm(x,y),b₂ ^palm(x,y))：

$({b_1}^{\mathrm{palm}}(x,y),{b_2}^{\mathrm{palm}}(x,y))=\left\{\begin{array}{c}\left(\mathrm{1,1}\right),0\&le;P2(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),\mathrm{\&pi;}/2\&le;P2(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),\mathrm{\&pi;}\&le;P2(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),3\mathrm{\&pi;}/2\&le;P2(x,y)<2\mathrm{\&pi;}\end{array}\right.;$

以及融合步骤，包括融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；

所述匹配步骤，包括通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

2.根据权利要求1所述的身份识别方法，其特征在于，所述采集步骤进一步包括：

人脸特征图像采集步骤，包括：

采集所述人脸图像，定位其中的双眼位置；

旋转该人脸图像，使得旋转后的双眼位置连线处于水平位置；

在旋转后的人脸图像中截取大小为128×128像素的部分作为人脸特征图像F1(x，y)，其中该人脸特征图像F1(x，y)的中心为旋转后的人脸图像的中心。

3.根据权利要求2所述的身份识别方法，其特征在于，在所述滤波步骤中，

所述对人脸特征图像进行Gabor滤波包括：

分别基于多个Gabor小波

对所述人脸特征图像F1(x，y)进行卷积操作，得到对应的多个卷积图像{Gⁱ(x,y),i＝0,1,...,uv}，其中每一Gabor小波表示为：

其中，u为频率，v为方向，

所述多个卷积图像表示为：

生成滤波后的人脸特征图像W1(x，y)，其中W1(x，y)表示为：

W1(x,y)=G^m1(x，y)(x,y)

其中 $m1(x,y)=\arg \underset{i}{\max }\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1},...\mathrm{uv}.$

4.根据权利要求2所述的身份识别方法，其特征在于，在所述滤波步骤中，

所述对掌纹特征图像进行Gabor滤波包括：

分别基于两个Gabor小波

对所述掌纹特征图像F2(x，y)进行卷积操作，得到对应的多个卷积图像{Gⁱ(x,y),i＝0,1}，其中每一Gabor小波表示为：

其中，其中f=0.0916,σ=5.6179,θ_i=iπ/2，所述多个卷积图像表示为：

生成滤波后的掌纹特征图像W2(x，y)，其中W2(x，y)表示为：

W2(x,y)=G^m2(x，y)(x,y)

其中 $m2(x,y)=\arg \underset{i}{\max }\left|\right|G^i(x,y)\left|\right|,i=\mathrm{0,1}.$

5.根据权利要求1所述的身份识别方法，其特征在于，所述待识别用户的身份特征为X_face-palm＝(b₁(x,y),b₂(x,y),b₃(x,y),b₄(x,y))，其中b₁(x,y)=b₁ ^face(x,y),b₂(x,y)=b₂ ^face(x,y)，b₃(x,y)=b₁ ^palm(x,y)，b₄(x,y)=b₂ ^palm(x,y)。

6.一种身份识别系统，其特征在于，包括提取模块和匹配模块，

所述提取模块包括：

采集模块，用于分别采集待识别用户的人脸图像和掌纹图像，再从采集的人脸图像和掌纹图像中截取各自的特征部分分别作为人脸特征图像F1(x，y)和掌纹特征图像F2(x，y)；

滤波模块，用于分别对人脸特征图像F1(x，y)和掌纹特征图像F2(x，y)进行Gabor滤波；

编码模块，用于分别对Gabor滤波后的人脸特征图像和Gabor滤波后的掌纹特征图像进行编码，得到对应的人脸特征编码和掌纹特征编码；其中，计算滤波后的人脸特征图像W1(x，y)每个像素的相位P1(x,y)，依照如下公式生成人脸特征编码(b₁ ^face(x,y),b₂ ^face(x,y))：

$({b_1}^{\mathrm{face}}(x,y),{b_2}^{\mathrm{face}}(x,y))=\left\{\begin{array}{c}\left(\mathrm{1,1}\right),0\&le;P1(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),\mathrm{\&pi;}/2\&le;P1(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),\mathrm{\&pi;}\&le;P1(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),3\mathrm{\&pi;}/2\&le;P1(x,y)<2\mathrm{\&pi;}\end{array}\right.;$

计算滤波后的掌纹特征图像W2(x，y)每个像素的相位P2(x，y)，依照如下公式生成掌纹特征编码(b₁ ^palm(x,y),b₂ ^palm(x,y))：

$({b_1}^{\mathrm{palm}}(x,y),{b_2}^{\mathrm{palm}}(x,y))=\left\{\begin{array}{c}\left(\mathrm{1,1}\right),0\&le;P2(x,y)<\mathrm{\&pi;}/2\\ \left(\mathrm{0,1}\right),\mathrm{\&pi;}/2\&le;P2(x,y)<\mathrm{\&pi;}\\ \left(\mathrm{0,0}\right),\mathrm{\&pi;}\&le;P2(x,y)<3\mathrm{\&pi;}/2\\ \left(\mathrm{1,0}\right),3\mathrm{\&pi;}/2\&le;P2(x,y)<2\mathrm{\&pi;}\end{array}\right.;$

以及融合模块，用于融合人脸特征编码和掌纹特征编码，得到待识别用户的身份特征；

所述匹配模块，用于通过将待识别用户的身份特征与身份特征库中的身份特征进行匹配，来对该待识别用户进行身份识别。

7.根据权利要求6所述的身份识别系统，其特征在于，所述采集模块进一步包括：

人脸特征图像采集模块，用于：

采集所述人脸图像，定位其中的双眼位置；

旋转该人脸图像，使得旋转后的双眼位置连线处于水平位置；

在旋转后的人脸图像中截取大小为128×128像素的部分作为人脸特征图像F1(x，y)，其中该人脸特征图像的中心为旋转后的人脸图像的中心。

Images