CN101853383B - 高分辨率掌纹方向场提取方法 - Google Patents

Abstract

高分辨率掌纹方向场提取方法属于掌指纹识别技术领域，其特征在于根据不同区域皱褶数量动态选择不同的方向估计算法。算法根据不同区域皱褶数量动态选择恰当的方法。算法统计不同区域的皱褶数量，对于皱褶较少的区域，采用离散傅里叶变换算法快速的估计脊线方向；而对于皱褶较多的区域，设计了鲁棒的基于拉登变换的方法提取脊线方向信息。这样，就把离散傅里叶变换算法的快速性和基于拉登变换的方法的鲁棒性结合起来，准确快速的估计掌纹方向场。在后处理阶段，采用区域生长算法修正初始估计中存在的错误，得到可信的方向场。这种方法能够对皱褶非常严重的掌纹准确快速的估计其方向场。

Description

高分辨率掌纹方向场提取方法

技术领域

本发明涉及掌纹识别领域，尤其涉及采用高分辨率掌纹图像进行身份认证和刑事鉴定的技术。

背景技术

在现代社会中，快速、有效、自动地进行人身辨别的要求日益迫切，重要部门保安、过境控制、移民检查、机密或贵重物品保存场所的进出、防止信用卡欺骗、网络安全等都需要进行可靠的人身鉴别。在身份验证的依据中，钥匙、证件可能会丢失、被盗或复制，密码又容易被忘掉、混淆或被偷看，而生物特征(包括掌纹、指纹、人脸、手形、手写签名、虹膜等)是人的内在属性，它们不会出现上述情况，因此成为最理想的辨别依据。这其中，掌纹特征有广阔的应用前景，它具有比指纹更加丰富的特征及大得多的皮肤面积，能够更加可靠的进行人身鉴别。并且在犯罪现场获得的纹理中，有30％来自于掌纹。美国联邦调查局的下一代人身鉴别系统(NGIS)计划的最重要的目标之一就是开发出适用于全美范围的掌纹识别系统。掌纹特征可以用低分辨率CCD摄像头采集，或者是用高分辨率的接触式设备采集。高分辨率掌纹图像拥有比低分辨率图像丰富得多的特征，包括细节点、方向场、密度图等等，因此更加适用于可靠性敏感的领域，比如刑侦、重要场所出入控制等等。

本发明主要解决如何从往往存在大量皱褶的高分辨率掌纹图像中准确快速提取方向场的问题。针对指纹和掌纹的方向场提取，已有的技术都由两个步骤组成：初始估计和后处理。后处理算法有很多，包括统计平均法、多层平滑法、模型法等等。但是它们都依赖于初始估计算法提供的脊线方向信息。如果初始估计结果中存在着大量的错误，无论后处理算法多么强大也难以产生正确的结果。常用的初始估计算法有三种，包括基于梯度的方法、离散傅里叶变换法以及Gabor滤波器组的方法。上述方法在有较少皱褶的图像上效果较好。但是它们都难以正确提取存在大量皱褶的掌纹的方向场。因为从根本上，它们都关注的是灰度值的变化方向，平等的对待由黑色的纹路及白色的纹路提供的信息。对于较少皱褶的图像，这样做是合理的，因为两种条纹都会提供算法正确的信息。但是对于有大量皱褶的掌纹图像而言，白色条纹的数量大大增加，引入大量的噪声，现有算法难以准确估计出脊线方向。

发明内容

本发明的目的是解决从高分辨率掌纹图像中准确快速提取方向场的问题。

发明的方向场提取算法的核心思想是根据不同区域皱褶数量动态选择恰当的方法。算法统计不同区域的皱褶数量，对于皱褶较少的区域，采用离散傅里叶变换算法快速的估计脊线方向；而对于皱褶较多的区域，设计了鲁棒的基于拉登变换的方法提取脊线方向信息。这样，就把离散傅里叶变换算法的快速性和基于拉登变换的方法的鲁棒性结合起来，准确快速的估计掌纹方向场。在后处理阶段，采用区域生长算法修正初始估计中存在的错误，得到可信的方向场。

本发明中主要包括以下四项技术：

第一，根据不同掌纹区域的皱褶数量动态选择适当的方法。算法从掌纹图像中提取出皱褶并估计不同区域的严重程度，进而动态选择合适的方法对每个区域的脊线方向进行估计。

第二，对多皱褶区域估计脊线方向。本发明设计了基于拉登变换的方法提取多皱褶区域的脊线方向。其基本思想是只关注黑色的脊线提供的方向信息，尽量排除白色的纹路带来的干扰，并统计输出多个有高置信度的脊线方向作为候选方向。对皱褶噪声具有良好的鲁棒性。

第三，对少皱褶区域估计脊线方向。在少皱褶的区域上，采用计算量较小的离散傅里叶变换法。用快速傅里叶变换求取频域图像，并从中选取多个具有大幅值的方向作为候选方向。

第四，后处理。采用区域生长算法从第二、三步输出的候选方向中选择与相邻区域方向相近的结果作为脊线方向并最终输出方向场。

符号说明：

I：原始掌纹图像

I_Sub：低通滤波并下采样后得到的图像

I′_Sub：对I_Sub进行局部灰度平均值处理后得到的图像

E_Line：皱褶“能量”图

I′：对I局部灰度平均值处理后得到的图像

Is：种子序号映射图

Iw：候选方向序号图

发明的方向场提取算法特征在于根据不同区域皱褶数量动态选择不同的方向估计算法，它依次含有以下阶段：

(1)皱褶提取

(1.1)对图像进行低通滤波并进行下采样。将原始图像I分为4×4像素点的方格，下采样率为4，求取每个方格的平均值作为下采样后图像I_Sub对应像素点的灰度值。

(1.2)求取I_Sub中每一点对应的皱褶“能量”。

(1.2.1)对I_Sub图像中每一个像素点(x_s，y_s)，取出以它为中心，65×65个像素点的邻域Δ，并按下式计算所述像素点(x_s，y_s)的新的灰度值I′_Sub(x_s，y_s)：

${I^{\′}}_{\mathrm{Sub}}(x_s,y_s)=I_{\mathrm{Sub}}(x_s,y_s)-\frac{1}{N_{\mathrm{\Δ}}}\underset{(x,y)\∈\mathrm{\Δ}}{\mathrm{\Σ}}{I}_{\mathrm{Sub}}(x,y)$

则有 $\underset{(x,y)\∈\mathrm{\Δ}}{\mathrm{\Σ}}{I^{\′}}_{\mathrm{Sub}}(x,y)=0,$

(1.2.2)计算在图像I′_Sub(x_s，y_s)中，以(x_s，y_s)为中心，沿不同方向的直线的像素灰度值加和：

$r_{\mathrm{SubLine}}(\mathrm{\&theta;};x_s,y_s)=\underset{(x_{\mathrm{\&theta;}},y_{\mathrm{\&theta;}})\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}{I^{\&prime;}}_{\mathrm{Sub}}(x_{\mathrm{\&theta;}},y_{\mathrm{\&theta;}})\mathrm{\&delta;}\left(\right|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;}),$

(x_θ，y_θ)表示以(x_s，y_s)为中心，沿方向θ的直线上的各像素点，

$\mathrm{\&delta;}\left(\right|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})=\left\{\begin{array}{c}=1,\mathrm{if}|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;}\\ =0,\mathrm{if}|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

其中，ε＝5，

(1.2.3)选择在各个方向中最大的r_Line(θ；x_s，y_s)：

r_SubLine(x_s，y_s)＝max{r_SubLine(θ；x_s，y_s)}

并求取在(x，y)点的皱褶“能量”：

$E_{\mathrm{SubLine}}(x_s,y_s)=\left\{\begin{array}{cc}{r}_{\mathrm{SubLine}}(x_s,y_s)& \mathrm{if}{r}_{\mathrm{SubLine}}(x_s,y_s)>2000\\ 0& \mathrm{if}{r}_{\mathrm{SubLine}}(x_s,y_s)\&le;2000\end{array}\right.$

(1.3)升采样得到原始图像中每一点对应的皱褶“能量”：

E_Line(x，y)＝E_SubLine(x/4，y/4)

(2)根据皱褶严重程度选择恰当的方向场估计方法。

(2.1)块划分。将原始图像划分为16×16像素点的块，对每个块选择估计算法求取脊线方向。

(2.2)皱褶严重程度评估及方法选择。对于每一个16×16像素点的块，统计以其为中心，64×64大小区域Ψ内皱褶“能量”的加和：

$E=\underset{(x,y)\&Element;\mathrm{\&Psi;}}{\mathrm{\&Sigma;}}{E}_{\mathrm{Line}}(x,y)$

如果E＞E₀，认为当前块皱褶严重，应该选择鲁棒的基于拉登变换的方法进行处理；否则，当前块皱褶较少，应该采取快速的离散傅里叶变换法计算。

(3)采用基于拉登变换的方法估计多皱褶块的脊线方向。

(3.1)扫描以当前块为中心，64×64大小区域Ψ内的所有像素点，找出其中灰度值低于阈值G₀＝100的像素点。

(3.2)对每个取出的低灰度值点，估计脊线方向。

(3.2.1)设(x₀，y₀)表示其中一个像素点，在该像素点(x₀，y₀)的27×27个像素点大小的邻域Θ内按下式计算新的灰度值I′(x₀，y₀)：

$I^{\&prime;}(x_0,y_0)=I(x_0,y_0)-\frac{1}{N_{\mathrm{\&Theta;}}}\underset{(x,y)\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}I(x,y)$

从而 $\underset{(x,y)\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}{I}^{\&prime;}(x,y)=0$

其中，I(x，y)代表(x，y)点的原始灰度值，N代表在区域Θ内的像素点数。

(3.2.2)在Θ上进行拉登变换：

$r_{\mathrm{Ridge}}(\mathrm{\&theta;};x_0,y_0)=\underset{(x,y)\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}{I}^{\&prime;}(x,y)\mathrm{\&delta;}\left(\right|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})$

其中，θ∈{0，π/12，2π/12，…，11π/12}；ε＝2，δ函数取值如下：

$\mathrm{\&delta;}\left(\right|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})=\left\{\begin{array}{c}=1,\mathrm{if}|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;}\\ =0,\mathrm{if}|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

(3.2.3)选择使r_Ridge(θ；x₀，y₀)取值最小的θ作为该点提取的脊线方向，并且取r_Ridge(θ；x₀，y₀)最小值的相反数作为置信度：

θ(x₀，y₀)＝arg{min{r_Ridge(θ；x₀，y₀)}}，其中“arg{}”表示取θ的值，

c(x₀，y₀)＝-min{r_Ridge(θ；x₀，y₀)}

(3.3)统计不同方向的置信度：

其中，f是一个非线性函数，I为示性函数：

$f\left(c\right)=\left\{\begin{array}{cc}0& \mathrm{ifc}<c_T\\ c& \mathrm{ifc}\&GreaterEqual;c_T\end{array}\right.$

$I\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{ifx}=\mathrm{true}\\ 0& \mathrm{ifx}\&NotEqual;\mathrm{true}\end{array}\right.$

其中，c_T为截断阈值，取值为200。

(3.4)将置信度由高到低排序，选择其中前k个作为当前块的脊线候选方向

k取值为6。

(4)采用离散傅里叶变换的方法估计少皱褶块的脊线方向。

(4.1)对以当前块为中心，64×64像素点大小的区域Ψ进行二维快速傅里叶变换，得到其64×64大小的频域图像I_f。

(4.2)将距离频域图像中心距离小于4个像素及大于9个像素的点的灰度值置为0。即

${I_f}^{\&prime;}(w,h)=\left\{\begin{array}{cc}{I}_f(w,h)& \mathrm{if}4\&le;\sqrt{{(w-w_c)}^2+{(h-h_c)}^2}\&le;9\\ 0& \mathrm{else}\end{array}\right.$

其中，w_c＝h_c＝64/2＝32。

(4.3)遍历I_f′，找出幅值最大的k个点：

(w₁，h₁)，(w₂，h₂)...(w_i，h_i)...(w_k，h_k)

(4.4)计算出所述当前块的脊线候选方向

这里k取值为6：

(5)用区域生长算法进行平滑处理，得到最终方向场。从第(3)、(4)步的初始方向场估计产生的k个候选方向中选择恰当的方向构成方向场。

(5.1)种子产生

(5.1.1)初始化种子序号SeedIndex＝0并初始化种子分布图Is(i，j)＝0 i＝0，1，…，m-1，j＝0，1，…，n-1，其中，m等于原始图像宽度w除以16，n等于原始图像高度h除以16，初始化i＝0，j＝0。

(5.1.2)i，j分别从0遍历到w-2，从0遍历到h-2。

(5.1.2.1)如果Is(i，j)＝0，则SeedIndex加1，并置Is(i，j)＝SeedIndex；否则不做操作。

(5.1.2.2)如果块(i，j)与块(i，j+1)符合连续性条件，则置Is(i，j+1)＝Is(i，j)。连续性条件为存在

并且存在

使得：

$|\mathrm{\&Gamma;}(i,j)-\mathrm{\&Gamma;}(i,j+1)|\&le;\frac{\mathrm{\&pi;}}{6}$

(5.1.2.3)如果块(i，j)与块(i+1，j)符合连续性条件，则置Is(i+1，j)＝Is(i，j)。

(5.1.3)统计不同SeedIndex取值包括的块的个数，如果某一SeedIndex包括的块的数目小于20，则将所有满足Is(k，l)＝SeedIndex的块置为Is(k，l)＝0。余下的Is(k，l)≠0块即为连通的块个数超过20的种子区域。

(5.2)种子生长

(5.2.1)初始化

$\mathrm{Iw}(i,j)=\left\{\begin{array}{cc}0& \mathrm{ifIs}(i,j)=0\\ 1& \mathrm{ifIs}(i,j)\&NotEqual;0\end{array}\right.$

Iw(i，j)＝0代表在块(i，j)没有候选方向被选择，Iw(i，j)＝l代表选择中

方向作为该块的估计脊线方向。

(5.2.2)初始化队列Q为空。

(5.2.3)对每一个块(i，j)，如果Iw(i，j)＞0，判断其四邻域是否与其连续，如果连续，则将该邻域信息w_c＝(i^*，j^*，l^*)加入到队列Q中，其中i^*，j^*代表邻域位置，l^*代表邻域中与当前块连续的方向序号。连续性条件同(5.1.2.2)步所述。

(5.2.4)当队列Q不为空，执行如下循环：

(5.2.4.1)从Q中弹出一个块信息w_c＝(i，j，l)。

(5.2.4.2)如果Iw(i，j)＞0则跳转至(5.2.4)步，否则置Iw(i，j)＝l，判断其四邻域是否与其连续，如果连续，则将该邻域信息w_c＝(i^*，j^*，l^*)加入到队列Q中。

(5.3)输出方向场。对任一个块(i，j)，如果Iw(i，j)＝l＞0，则取其

中

方向作为最终方向；如果Iw(i，j)＝0，则取其8邻域的平均方向作为其最终方向。

附图说明

图1系统流程图

图2基于拉登变换的估计方法

图3发明的算法输出的方向场示例

具体实施方式：

本发明解决的是从高分辨率掌纹图像中准确快速提取方向场的问题。算法根据不同区域的皱褶严重程度动态选择恰当的方法估计方向场。对于皱褶较少的区域，采用离散傅里叶变换算法快速的估计脊线方向；而对于皱褶较多的区域，设计了鲁棒的基于拉登变换的方法提取脊线方向信息。这样，就把离散傅里叶变换算法的快速性和基于拉登变换的方法的鲁棒性结合起来，准确快速的估计掌纹方向场。在后处理阶段，采用区域生长算法修正初始估计中存在的错误，得到可信的方向场。本系统用普通PC计算机进行计算，对操作系统没有要求。系统流程图如图1所示，具体如下：

(1)皱褶提取

因为需要根据不同区域皱褶严重程度动态选择不同的估计方法，所以首先算法需要从掌纹图像中提取出皱褶信息，包括皱褶的位置以及它的“能量”，即其严重程度。

对图像进行低通滤波并进行下采样。将原始图像分为4×4像素的方格，下采样率为4，求取每个方格的平均值作为下采样后图像I_Sub对应像素的灰度值。

接下来求取I_Sub中每一点对应的皱褶“能量”。以I_Sub中每一个像素点(x_s，y_s)为中心，建立一个65×65个像素点的邻域Δ，并按下式计算所述像素点(x_s，y_s)的新的灰度值I′_Sub(x_s，y_s)：

${I^{\&prime;}}_{\mathrm{Sub}}(x_s,y_s)=I_{\mathrm{Sub}}(x_s,y_s)-\frac{1}{N_{\mathrm{\&Delta;}}}\underset{(x,y)\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}{I}_{\mathrm{Sub}}(x,y)$

则有 $\underset{(x,y)\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}{I^{\&prime;}}_{\mathrm{Sub}}(x,y)=0,$

计算在图像I′_Sub(x_s，y_s)中，以(x_s，y_s)为中心，沿不同方向的直线的像素灰度值加和：

$r_{\mathrm{SubLine}}(\mathrm{\&theta;};x_s,y_s)=\underset{(x_{\mathrm{\&theta;}},y_{\mathrm{\&theta;}})\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}{I^{\&prime;}}_{\mathrm{Sub}}(x_{\mathrm{\&theta;}},y_{\mathrm{\&theta;}})\mathrm{\&delta;}\left(\right|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})$

其中，ε＝5，θ∈{0，π/12，2π/12，…，11π/12}并且

$\mathrm{\&delta;}\left(\right|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})=\left\{\begin{array}{c}=1,\mathrm{if}|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;}\\ =0,\mathrm{if}|x_{\mathrm{\&theta;}}\cos \mathrm{\&theta;}+y_{\mathrm{\&theta;}}\sin \mathrm{\&theta;}|\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

选择在各个方向中最大的r_Line(θ；x_s，y_s)：

r_SubLine(x_s，y_s)＝max{r_SubLine(θ；x_s，y_s)}

并求取在(x，y)点的皱褶“能量”：

$E_{\mathrm{SubLine}}(x_s,y_s)=\left\{\begin{array}{cc}{r}_{\mathrm{SubLine}}(x_s,y_s)& \mathrm{if}{r}_{\mathrm{SubLine}}(x_s,y_s)>2000\\ 0& \mathrm{if}{r}_{\mathrm{SubLine}}(x_s,y_s)\&le;2000\end{array}\right.$

升采样得到原始图像中每一点对应的皱褶“能量”：

E_Line(x，y)＝E_SubLine(x/4，y/4)

(2)根据皱褶严重程度选择恰当的方向场估计方法

为减少计算量，算法不是在每个像素点上估计脊线方向，而是对每个16×16区域计算。这样做是合理的，因为16×16的区域已经足够小，脊线方向在此范围内不会发生大的变化。对每一个这样的区域，统计以其为中心，64×64大小区域Ψ内皱褶“能量”的加和：

$E=\underset{(x,y)\&Element;\mathrm{\&Psi;}}{\mathrm{\&Sigma;}}{E}_{\mathrm{Line}}(x,y)$

如果E＞E₀，认为当前区域皱褶严重，应该选择鲁棒的基于拉登变换的方法进行处理；否则，当前区域皱褶较少，应该采取快速的离散傅里叶变换法计算。

(3)采用基于拉登变换的方法估计多皱褶区域的脊线方向

由于受到皱褶的干扰，现有的算法难以准确的估计多皱褶区域的脊线方向。其原因在于传统的估计方法关注的都是灰度的变化信息，这样，黑色条纹和白色条纹的方向都会影响输出的结果。设计的估计算法的核心思想是只关注黑色条纹提供的方向信息，排除白色的皱褶带来的干扰，并统计输出多个有高置信度的脊线方向作为候选方向。估计方法流程如图2所示。

扫描以当前区域为中心，64×64大小区域Ψ内的所有像素点，找出其中灰度值低于阈值G₀＝100的像素点。

对每个取出的低灰度值点，估计脊线方向。在该像素点(x₀，y₀)的27×27像素点大小的邻域Θ内按下式计算新的灰度值I′(x₀，y₀)：

$I^{\&prime;}(x_0,y_0)=I(x_0,y_0)-\frac{1}{N_{\mathrm{\&Theta;}}}\underset{(x,y)\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}I(x,y)$

从而

其中，I(x，y)代表(x，y)点的原始灰度值，N代表在区域Θ内的像素点数。

接下来，在Θ上进行拉登变换：

$r_{\mathrm{Ridge}}(\mathrm{\&theta;};x_0,y_0)=\underset{(x,y)\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}{I}^{\&prime;}(x,y)\mathrm{\&delta;}\left(\right|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})$

其中，θ∈{0，π/12，2π/12，…，11π/12}并且

$\mathrm{\&delta;}\left(\right|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;})=\left\{\begin{array}{c}=1,\mathrm{if}|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|<\mathrm{\&epsiv;}\\ =0,\mathrm{if}|x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}|\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

选择使r_Ridge(θ；x₀，y₀)取值最小的θ作为该点提取的脊线方向，并且取r_Ridge(θ；x₀，y₀)最小值的相反数作为置信度：

θ(x₀，y₀)＝arg{min{r_Ridge(θ；x₀，y₀)}}，其中“arg{}”表示取θ的值，

c(x₀，y₀)＝-min{r_Ridge(θ；x₀，y₀)}

统计不同方向的置信度：

其中，f是一个非线性函数，I为示性函数：

$f\left(c\right)=\left\{\begin{array}{cc}0& \mathrm{ifc}<c_T\\ c& \mathrm{ifc}\&GreaterEqual;c_T\end{array}\right.$

$I\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{ifx}=\mathrm{true}\\ 0& \mathrm{ifx}\&NotEqual;\mathrm{true}\end{array}\right.$

其中，c_T为截断阈值，取值为200。

将置信度由高到低排序，选择其中前k个作为当前区域的脊线候选方向

k取值为6。

(4)采用离散傅里叶变换的方法估计少皱褶区域的脊线方向

对于皱褶较少的区域，用现有的离散傅里叶变换法即可快速的估计其脊线方向。

对以当前区域为中心，64×64大小的区域Ψ进行二维快速傅里叶变换，得到其64×64大小的频域图像I_f。

将距离频域图像中心距离小于4个像素及大于9个像素的点的灰度值置为0。即

${I_f}^{\&prime;}(w,h)=\left\{\begin{array}{cc}{I}_f(w,h)& \mathrm{if}4\&le;\sqrt{{(w-w_c)}^2+{(h-h_c)}^2}\&le;9\\ 0& \mathrm{else}\end{array}\right.$

其中，w_c＝h_c＝64/2＝32。

遍历I_f′，找出幅值最大的k个点，这里k取值为6，这k个点按幅值从大到小排列如下：

(w₁，h₁)，(w₂，h₂)...(w_i，h_i)...(w_k，h_k)

计算出所述当前块的脊线候选方向

这里k取值为6：

(5)用区域生长算法进行平滑处理，得到最终方向场

经过第(3)、(4)步的处理，算法为每个区域存储了k个候选方向

接下来需要从中选择最佳的方向并最终输出方向场。如果要遍历所有可能的组合得到整体平滑性最佳的解将会是一个NP难题，难以进行求解。于是，采用了启发性的区域生长算法进行近似寻优。其基本思想是首先找到一些质量很好的区域作为种子，然后从这些种子区域出发，寻找邻近区域与之平滑程度最高的方向，并扩大区域，迭代进行并最终覆盖整个掌纹。

种子产生：

初始化种子序号SeedIndex＝0并初始化种子分布图Is(i，j)＝0i＝0，1，…，m-1j＝0，1，…，n-1，其中，m等于原始图像宽度w除以16，n等于原始图像高度h除以16，初始化i＝0，j＝0。

i，j分别从0遍历到w-2，从0遍历到h-2。如果Is(i，j)＝0，则SeedIndex加1，并置Is(i，j)＝SeedIndex；否则不做操作。如果块(i，j)与块(i，j+1)符合连续性条件，则置Is(i，j+1)＝Is(i，j)。连续性条件为存在

并且存在

使得：

$|\mathrm{\&Gamma;}(i,j)-\mathrm{\&Gamma;}(i,j+1)|\&le;\frac{\mathrm{\&pi;}}{6}$

如果块(i，j)与块(i+1，j)符合连续性条件，则置Is(i+1，j)＝Is(i，j)。

统计不同SeedIndex取值包括的块的数目，如果某一SeedIndex包括的块的数目小于20，则将所有满足Is(k，l)＝SeedIndex的块置为Is(k，l)＝0。余下的Is(k，l)≠0块即为连通的个数超过20的种子区域。

种子生长：

初始化

$\mathrm{Iw}(i,j)=\left\{\begin{array}{cc}0& \mathrm{ifIs}(i,j)=0\\ 1& \mathrm{ifIs}(i,j)\&NotEqual;0\end{array}\right.$

Iw(i，j)＝0代表在块(i，j)没有候选方向被选择，Iw(i，j)＝l代表选择

中

方向作为该块的估计脊线方向。

初始化队列Q为空。

对每一个块(i，j)，如果Iw(i，j)＞0，判断其四邻域是否与其连续，如果连续，则将该邻域信息w_c＝(i^*，j^*，l^*)加入到队列Q中，其中i^*，j^*代表邻域位置，l^*代表邻域中与当前块连续的方向序号。

当队列Q不为空，执行如下循环：从Q中弹出一个块信息w_c＝(i，j，l)。如果Iw(i，j)＞0则继续下一轮循环，否则置Iw(i，j)＝l，判断其四邻域是否与其连续，如果连续，则将该邻域信息w_c＝(i^*，j^*，l^*)加入到队列Q中。

输出方向场。对任一个块(i，j)，如果Iw(i，j)＝l＞0，则取其

中

方向作为最终方向；如果Iw(i，j)＝0，则取其8邻域的平均方向作为其最终方向。图3是发明的算法估计得到的方向场的示例。

Claims (1)

1.用于提高掌纹识别分辨率的掌纹方向场提取方法，其特征在于所述方法是在计算机中依次按以下步骤实现的：

步骤(1)：皱褶提取

步骤(1.1)，先对输入到计算机的原始掌纹图像进行低通滤波，再把低通滤波后的原始掌纹图像I分为4×4像素点的方格，下采样率为4，求取每个所述方格内各像素点灰度的平均值作为低通滤波并下采样后得到的掌纹图像I_Sub所对应像素点的灰度值，设所述各像素点表示为(x_s，y_s)，s为序号；

步骤(1.2)，求取步骤(1.1)中取得的掌纹图像I_Sub中每一个像素点(x_s，y_s)所对应的皱褶能量：

步骤(1.2.1)，以所述图像I_Sub中每一个像素点(x_s，y_s)为中心，建立一个65×65个像素点的邻域Δ，并按下式计算所述像素点(x_s，y_s)的新的灰度值I′_Sub(x_s，y_s)：

则有

上式中，I_Sub(x_s，y_s)代表(x_s，y_s)点原始灰度值，(x，y)∈Δ表示该邻域Δ内的所有像素点(x，y)，N_Δ＝65×65个像素点；

步骤(1.2.2)，计算在所述图像I′_Sub(x_s，y_s)中，以所述像素点(x_s，y_s)为中心，沿方向θ的直线上的像素点灰度值的加和，θ∈{0，π/12，2π/12，…，11π/12}，沿不同所述θ方向的加和值记为r_SubLine(θ；x_s，y_s)，则：

(x_θ，y_θ)表示以(x_s，y_s)为中心，沿方向θ的直线上的各像素点，

其中，ε＝5， 

步骤(1.2.3)，根据步骤(1.2.2)得到的不同θ方向的所述加和值，取其中最大的加和值按照下式计算像素点(x_s，y_s)的皱褶能量E_SubLine(x_s，y_s)：

其中，r_SubLine(x_s，y_s)＝max{r_SubLine(θ；x_s，y_s)}；

步骤(1.2.4)，对步骤(1.2.3)得到的结果进行升采样得到原始图像中每一点对应的皱褶能量：

E_Line(x，y)＝E_SubLine(x/4，y/4)

步骤(2)：按以下步骤根据皱褶严重程度选择对应的方向场估计方法

步骤(2.1)，块划分：将所述原始掌纹图像I按像素点划分为16×16的块，以便对每个块根据步骤(1)取得的结果选择求取脊线方向的估计算法，

步骤(2.2)，以所述每一块为中心，统计其64×64像素点区域Ψ中每个像素点皱褶能量的和：

步骤(2.3)，判断：

如果E＞E₀，则当前块皱褶严重，这样选择鲁棒的基于拉登变换的方法进行处理，执行步骤(3)，E₀＝3×10⁶；

如果E≤E₀，则当前块皱褶较少，采取快速的离散傅里叶变换法进行处理，执行步骤(4)；

步骤(3)，采用基于拉登变换的方法估计多皱褶区域的脊线方向，步骤如下：

步骤(3.1)，扫描以当前块为中心，64×64像素点区域Ψ内的所有像素点，找出其中灰度值低于阈值G₀＝100的像素点；

步骤(3.2)，对每个取出的低灰度值点，按以下步骤估计脊线方向；

步骤(3.2.1)，设某个取出的像素点为(x₀，y₀)，在该像素点(x₀，y₀)的27×27个像素点大小的邻域Θ内按下式计算新的灰度值I′(x₀，y₀)：

得到 

N_Θ＝27×27个像素点，I(x₀，y₀)为像素点(x₀，y₀)点的原始灰度值；

步骤(3.2.2)，在所述邻域Θ上进行拉登变换： 

以所述像素点(x₀，y₀)为中心，计算在不同θ方向的灰度值r_Ridge(θ；x₀，y₀)：

其中，θ∈{0，π/12，2π/12，…，11π/12}；ε＝2，δ函数取值如下：

步骤(3.2.3)，选取使r_Ridge(θ；x₀，y₀)取值最小的θ作为像素点(x₀，y₀)的脊线方向，并且取r_Ridge(θ；x₀，y₀)最小值的相反数作为置信度：

脊线方向：θ(x₀，y₀)＝arg{min{r_Ridge(θ；x₀，y₀)}}，其中“arg{}”表示取θ的值，

置信度：c(x₀，y₀)＝-min{r_Ridge(θ；x₀，y₀)}；

步骤(3.3)，在区域Ψ内分别统计所有取出点在θ_i方向的置信度之和，i＝1，2，3...12，θ_i方向的置信度和c_b(θ_i)计算如下：

上式中，函数f和函数I定义如下：

c_T为截断阈值，取值为200；

步骤(3.4)，将置信度由高到低排序，选择其中前k个作为当前块的脊线候选方向 

k取值为6；

步骤(4)，依次按以下步骤采用离散傅里叶变换的方法估计少皱褶区域的脊线方向：

步骤(4.1)，对步骤(3.1)中所述的以当前块为中心，64×64像素点大小的区域Ψ进行二维快速傅里叶变换，得到一个对应的64×64像素点大小的频域图像I_f(w，h)，其中(w，h)是频域图像上任一点的坐标； 

步骤(4.2)，把距离步骤(4.1)中所述频域图像中心小于4个像素点及大于9个像素点的点的函数值置为0，并用I_f′(w，h)表示经过这样处理后的新的频域图像：

其中，w_c＝h_c＝64/2＝32，(w_c，h_c)是频域图像的中心坐标；

步骤(4.3)，遍历步骤(4.2)中所述的新的频域图像I_f′(w，h)，找出使[I_f′(w，h)]²取值最大的前k个点，这里k取值为6，这k个点按幅值从大到小排列如下：

(w₁，h₁)，(w₂，h₂)...(w_i，h_i)...(w_k，h_k)

步骤(4.4)，计算出所述当前块的脊线候选方向 

这里k取值为6：

步骤(5)，用区域生长算法进行平滑处理，得到最终方向场

从步骤(3)、步骤(4)求得的k个候选脊线方向场 中选择恰当的方向构成方向场：

步骤(5.1)，种子产生，

步骤(5.1.1)，定义变量Is(i，j)记录第i行，第j列的块从属的种子序号：初始化种子序号SeedIndex＝0并初始化Is(i，j)＝0i＝0，1，…，m-1，j＝0，1，…，n-1，其中，m等于原始图像宽度w除以16，n等于原始图像高度h除以16，初始化i＝0，j＝0；

步骤(5.1.2)，设定Is(0，0)＝1，SeedIndex＝1，表示将第一个块的种子序号设为1；

步骤(5.1.3)，i从0遍历到m-2，j从0遍历到n-2，遍历完成后进入步骤(5.1.4)，对于每一轮遍历都做如下工作：

步骤(5.1.3.1)，如果块(i，j+1)与块(i，j)脊线的第一候选方向符合连续性条件，则置Is(i，j+1)＝Is(i，j)，连续性条件为 

反之，如果它们不符合连续性条件，则将SeedIndex的值加1，并将新的SeedIndex值赋给Is(i，j+1)；

步骤(5.1.3.2)，如果块(i+1，j)与块(i，j)脊线的第一候选方向符合连续性条件，则置 Is(i+1，j)＝Is(i，j)，连续条件同步骤(5.1.3.1)中所述；反之，如果它们不符合连续性条件，则将SeedIndex的值加1，并将新的SeedIndex值赋给Is(i+1，j)；

步骤(5.1.4)，分别统计各个种子序号数对应的块的数目，如果某一种子序号数对应的块数小于20，则将该种子序号数所对应的块的Is(i，j)的值为Is(i，j)＝0，余下的Is(i，j)≠0块即为连通的块的个数超过20的种子区域；

步骤(5.2)，种子生长，

步骤(5.2.1)，定义变量Iw(i，j)记录第i行，第j列的块的脊线方向；初始化Iw(i，j)如下：

Iw(i，j)＝0代表在块(i，j)处没有候选方向被选择，Iw(i，j)＝1代表选择 

中第一候选方向 

作为该块的脊线方向；

步骤(5.2.2)，定义队列Q，并初始化为空；

步骤(5.2.3)，对每一个块(i，j)，如果Iw(i，j)＞0，判断其四邻域的脊线方向是否与其满足连续性条件，其中连续性条件定义如下：

设 

是块(i，j)选定的脊线方向， 

是块(i，j)的某一邻域(i^*，j^*)的第l^*个候选方向，如果二者满足 

则认为他们满足连续性条件，称满足连续性条件的两个块连续；

对四邻域中某一个块(i^*，j^*)按照候选方向从高到低的顺序，即按照 

的顺序，分别判断它是否与块(i，j)连续，如果找到它的某个候选方向l^*与块(i，j)选定的方向满足连续性条件，则将一条信息w_c＝(i^*，j^*，l^*)加入到队列Q中，其中i^*，j^*代表邻域块的位置，l^*代表该块中与当前块连续的方向序号，结束对块(i^*，j^*)的判断，然后转向块(i，j)的其他邻域，重复这个步骤直至完成块(i，j)的所有四邻域的判断；

步骤(5.2.4)，当队列Q不为空，执行如下循环：

步骤(5.2.4.1)，从Q中弹出一个块信息w_c＝(i，j，l)； 

步骤(5.2.4.2)，如果Iw(i，j)＞0则跳转至步骤(5.2.4)，否则置Iw(i，j)＝l，同步骤(5.2.3)，判断其四邻域是否与其连续，如果连续，则将相应信息w_c＝(i^*，j^*，l^*)加入到队列Q中；

步骤(5.3)，输出方向场：对任一个块(i，j)，如果Iw(i，j)＝l＞0，则取 

中 

方向作为最终方向；如果Iw(i，j)＝0，则取其8邻域的平均方向作为其最终方向。 

Images