CN102184404A - 掌纹图像中手掌区域的获取方法及装置 - Google Patents

Abstract

本发明公开了一种掌纹图像中手掌区域的获取方法及装置，属于数字图像处理和模式识别技术领域。其中方法包括：提取步骤，根据肤色模型提取掌纹图像中的候选手掌像素集；拟合步骤，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；选取步骤，分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；获取步骤，根据手掌区域像素集，确定掌纹图像中的手掌区域。本发明提供的掌纹图像中手掌区域的获取方法及装置，不仅利用了手掌区域的肤色信息，还利用了手掌的形状和空间分布信息，能够有效地将其他非手掌肤色区域分割掉，从而获得更加准确的手掌区域。

Description

掌纹图像中手掌区域的获取方法及装置

技术领域

本发明涉及数字图像处理和模式识别技术领域，特别涉及一种掌纹图像中手掌区域的获取方法及装置。

背景技术

掌纹图像中手掌分割是指将掌纹图像中的手掌区域从背景中分割出来，它对掌纹识别区域的确定十分关键。目前使用最为广泛的手掌分割技术为利用手掌肤色信息进行分割，具体的方法包括：肤色阈值法，颜色查表法，基于直方图技术的贝叶斯分类法，基于神经网络的肤色预测方法，采用单高斯、混合高斯分布模型的方法等。这些方法主要通过大量样本获得先验肤色知识，建立肤色模型，然后利用该模型确定手掌区域。

现有技术提供了两种具体的掌纹图像中手掌区域的获取方法，其中一种使用机器学习的方法，根据训练样本的肤色信息建立神经网络模型，利用该神经网络模型判别掌纹图像中的像素是否为手掌像素，从而最终确定手掌区域；另一种使用高斯模型对手掌的肤色信息进行建模，然后利用该高斯模型获得手掌区域。

上述两种方法都是基于肤色模型确定手掌区域，这种方法受到光照、图像采集设备、背景变化的影响比较大，很难找到一个通用的肤色模型适合每一幅图像。在外界条件改变时，确定的手掌的区域很容易与背景混淆，而且也会受图像中其他肤色区域的干扰，导致获得的手掌区域不够准确。

发明内容

本发明所要解决的技术问题是针对现有技术的缺陷，提出一种掌纹图像中手掌区域的获取方法及装置，用以更加准确的确定手掌区域。

为了解决上述技术问题，本发明提供了一种掌纹图像中手掌区域的获取方法，包括：

提取步骤，根据肤色模型提取掌纹图像中的候选手掌像素集；

拟合步骤，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；

选取步骤，分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；

获取步骤，根据手掌区域像素集，确定掌纹图像中的手掌区域。

进一步的，所述拟合步骤具体为：通过期望最大化方法，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集。

进一步的，所述拟合步骤包括：

将候选手掌像素集映射到掌纹图像中，得到二值掌纹图像；

将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据；

针对根据拟合数据和二值图像得到的集合，通过期望最大化方法，拟合出混合高斯模型的参数；

根据混合高斯模型，设定阈值将候选手掌像素集分为两个候选手掌像素子集。

进一步的，所述将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据具体为：将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取饱和度通道的图像元素作为拟合数据。

进一步的，在选取步骤中，计算候选手掌像素子集的空间形状特征向量包括：

计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值；

将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。

进一步的，在选取步骤中，根据空间形状特征向量从两个候选手掌像素子集选取手掌区域像素集包括：

分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度，相似度最高的候选手掌像素子集选为手掌区域像素集；

所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量，采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。

本发明还提供了一种掌纹图像中手掌区域的获取装置，包括：

提取模块，用于肤色模型提取掌纹图像中的候选手掌像素集；

拟合模块，用于对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；

选取模块，用于分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；

获取模块，用于根据手掌区域像素集，确定掌纹图像中的手掌区域。

进一步的，所述拟合模块具体用于通过期望最大化方法，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集。

进一步的，所述拟合模块包括：

二值化单元，用于将候选手掌像素集映射到掌纹图像中，得到二值掌纹图像；

转换单元，用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据；

拟合单元，用于针对根据拟合数据和二值图像得到的集合，通过期望最大化方法，拟合出混合高斯模型的参数；

划分单元，用于根据混合高斯模型，设定阈值将候选手掌像素集分为两个候选手掌像素子集。

进一步的，所述转换单元具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取色度或饱和度通道的图像元素作为拟合数据。

进一步的，所述选取模块包括：

第一计算单元，用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值；

向量获取单元，用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。

进一步的，所述选取模块包括：

第二计算单元，用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度；所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量，采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的；

选取单元，用于将相似度最高的候选手掌像素子集选为手掌区域像素集。

本发明提供的掌纹图像中手掌区域的获取方法及装置，不仅利用了手掌区域的肤色信息，还利用了手掌的形状和空间分布信息，能够有效地将其他非手掌肤色区域分割掉，从而获得更加准确的手掌区域。

附图说明

图1为本发明提供的掌纹图像中手掌区域的获取方法一实施例的流程图；

图2A为采集得到的掌纹图像；

图2B为采用现有技术提供的方法得到的手掌区域图像；

图2C为采用本发明提供的方法得到的手掌区域图像；

图3为本发明提供的掌纹图像中手掌区域的获取装置实施例的结构示意图。

具体实施方式

本发明提供的掌纹图像中手掌区域的获取方法的核心思想包括四个步骤，分别为提取步骤、拟合步骤、选取步骤和获取步骤，具体地说，首先，提取步骤为根据训练得到的肤色模型对掌纹图像进行处理，提取掌纹图像中的候选手掌像素集A，该步骤通过大量训练样本获得先验肤色知识，建立肤色模型，利用该肤色模型能够保证掌纹图像中96％以上的手掌像素被检测出来；拟合步骤为对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；选取步骤为分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取得到手掌区域像素集，该步骤是对候选手掌像素集中的像素进行筛选，去除其中的非手掌区域像素；获取步骤为根据手掌区域像素集，确定掌纹图像中的手掌区域。本发明不仅利用了手掌区域的肤色信息，还利用了手掌的形状和空间分布信息，可以更加准确的确定手掌区域。

下面结合附图及优选实施方式对本发明技术方案进行详细说明。

图1为本发明提供的掌纹图像中手掌区域的获取方法一实施例的流程图，本实施例具体包括以下步骤：

步骤101、根据训练得到的肤色模型对掌纹图像进行处理，得到候选手掌像素集，本步骤为提取步骤。

首先，通过大量的手掌像素样本训练一个肤色模型，该肤色模型可以为混合高斯模型。本实施例中，训练了具有16个高斯核的手掌肤色模型，如式(1)和式(2)所示，其中通过训练样本获得了参数w，μ，δ的值。

$L\left(c\right|\mathrm{skin})=\underset{16}{\overset{i=1}{\mathrm{\Σ}}}{w}_{1i}\exp (-0.5{(c-{\mathrm{\μ}}_{1i})}^T{\mathrm{\δ}}_{1i}^{-1}(c-{\mathrm{\μ}}_{1i}))---\left(1\right)$

$L\left(c\right|\mathrm{non}-\mathrm{skin})=\underset{16}{\overset{i=1}{\mathrm{\Σ}}}{w}_{2i}\exp (-0.5{(c-{\mathrm{\μ}}_{2i})}^T{\mathrm{\δ}}_{2i}^{-1}(c-{\mathrm{\μ}}_{2i}))---\left(2\right)$

所述根据训练得到的肤色模型对掌纹图像进行处理包括：对于输入的掌纹图像T的每个像素，将该像素的颜色向量c代入式(1)和式(2)中，得到该像素为手掌像素的概率值L(c|skin)，和该像素不为手掌像素的概率值L(c|non-skin)；将L(c|skin)和L(c|non-skin)再代入式(3)，得到该像素的肤色似然值L(skin|c)；将该像素的肤色似然值与设定阈值进行比较，大于设定阈值的像素即为候选手掌像素，由此得到候选手掌像素集A。所述设定阈值在训练肤色模型时得到。

$L\left(\mathrm{skin}\right|c)=\frac{L\left(c\right|\mathrm{skin})}{L\left(c\right|\mathrm{skin})+L\left(c\right|\mathrm{non}-\mathrm{skin})}---\left(3\right)$

通过步骤101能够保证掌纹图像中96％以上的手掌像素被检测出来，也即候选手掌像素集中包含了掌纹图像中大部分的手掌像素。但由于外界条件的影响，候选手掌像素集中还包含了受干扰的非手掌像素。

步骤102、通过期望最大化(Expectation Maximization，简称：EM)方法，对候选手掌像素集A的颜色分布进行拟合，得到两个候选手掌像素子集A₁和A₂，本步骤为拟合步骤。

该拟合步骤具体包括：

(1)将候选手掌像素集A映射到掌纹图像中，得到二值掌纹图像B。

该映射具体是指若掌纹图像中第i行第j列的像素在A内，则得到二值掌纹图像中的像素点B(i，j)＝1，否则B(i，j)＝0。

(2)在HSV颜色空间中，色度、饱和度由物体本身特性决定，亮度由光照环境决定，用H(色度)、S(饱和度)通道对候选手掌像素集A进行建模受光照影响小，可以获得比较好的效果。这里首先将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取S通道的图像元素作为拟合数据。

在将掌纹图像的颜色空间模式由RGB(红/绿/蓝)转换到HSV(色调/饱和度/亮度)后，可以选择色调、饱和度作为拟合数据。根据对大量的手掌图像进行分析，可以看出候选手掌像素集A在H、S通道上的分布情况，真实手掌像素与伪手掌像素具有明显的区别，因此选择H和S通道的图像元素作为拟合数据可以很好的提取掌纹像素点。为了简化EM方法的估计难度，也提高计算效率，本实施例具体选取饱和度(S通道的图像元素)为拟合数据，记为T_S。经过实验证明，选取饱和度作为拟合数据计算简单方便且准确度较高。

(3)针对根据拟合数据和二值图像得到的集合，通过EM方法，拟合出混合高斯模型的参数。

本实施例选取的拟合模型为混合高斯模型，如式(4)所示：

$F\left(x\right|\mathrm{\μ},\mathrm{\δ})=\underset{l}{\mathrm{\Σ}}\frac{{\mathrm{\π}}_l}{{(2\mathrm{\π}\×{\mathrm{\δ}}_l)}^{1/2}}\exp [-\frac{1}{2}{(x-{\mathrm{\μ}}_l)}^2/{\mathrm{\δ}}_l]---\left(4\right)$

式(4)中的参数π_l，μ_l，δ_l是待拟合的参数；

式(4)中的x为根据二值掌纹图像B确定的拟合数据集合A_S中的元素，所述A_S为B(i，j)中不为0的像素点对应的T_S(i，j)中的像素的结合。

拟合过程具体包括：

a、首先，初始化混合高斯模型的参数，对于集合A_S，采用K-均值聚类初始化u_l，并依次计算出δ_l，用各聚类样本个数所占比例初始化π_l；

b、根据式(5)求得隐变量的期望：

${\mathrm{\τ}}_l=\frac{{\mathrm{\π}}_l{F}_l\left(x\right|{\mathrm{\μ}}_1,{\mathrm{\δ}}_l)}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\π}}_j{F}_j\left(x\right|{\mathrm{\μ}}_j,{\mathrm{\δ}}_j)}---\left(5\right)$

c、根据式(6.1)、(6.2)和(6.3)更新各参数：

${\mathrm{\π}}_l=\frac{F_l}{F}---\left(6.1\right)$

${\mathrm{\μ}}_l=\frac{1}{F_l}\underset{n}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{nl}}{x}_n---\left(6.2\right)$

${\mathrm{\δ}}_l=\frac{1}{F}\underset{n}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{nl}}{(x_n-{\mathrm{\μ}}_k)}^2---\left(6.3\right)$

d、判断π_l的值与更新前的值的误差是否在确定范围内，若是，则确定混合高斯模型的各参数；否则，返回步骤b。

(4)根据拟合得到的混合高斯模型，设定阈值将候选手掌像素集A分为两个候选手掌像素子集A₁和A₂。

将A中的每个像素的颜色向量代入混合高斯模型，将得到的值与设定阈值进行比较，从而将A分为A₁和A₂。

步骤103、分别计算两个候选手掌像素子集A₁和A₂的空间形状特征向量，本步骤为选取步骤中的一步。

首先，分别将A₁和A₂映射到原掌纹图像中得到二值掌纹子图像B₁和B₂，具体地说，设原掌纹图像的大小为M×N；若原掌纹图像第i行第j列的像素在A₁内，则二值掌纹子图像B₁中的像素B₁(i，j)＝1，否则B₁(i，j)＝0；若原掌纹图像第i行第j列的像素在A₂内，则二值掌纹子图像B₂中的像素B₂(i，j)＝1，否则B₂(i，j)＝0。

然后，分别计算候选手掌像素子集A₁和A₂的x方向和y方向的离散度、y方向的直方图投影的局部极大值。

根据下列公式计算得到候选手掌像素子集A₁的x方向的离散度ε_x1，候选手掌像素子集A₂的x方向的离散度ε_x2，候选手掌像素子集A₁的y方向的离散度ε_y1，以及候选手掌像素子集A₂的y方向的离散度ε_y2：

$\stackrel{\‾}{X_1}=\frac{\mathrm{\Σ}{B}_1(i,j)\×j}{\mathrm{\Σ}{B}_1(i,j)},$ $\stackrel{\‾}{X_2}=\frac{\mathrm{\Σ}{B}_2(i,j)\×j}{\mathrm{\Σ}{B}_2(i,j)},$ $\stackrel{\‾}{Y_1}=\frac{\mathrm{\Σ}{B}_1(i,j)\×i}{\mathrm{\Σ}{B}_1(i,j)},$

$\stackrel{\‾}{Y_2}=\frac{\mathrm{\Σ}{B}_2(i,j)\×i}{\mathrm{\Σ}{B}_2(i,j)}$

${\mathrm{\ϵ}}_{x1}=\frac{(B_1(i,j)\×j-\stackrel{\‾}{X_1})}{\mathrm{\Σ}{B}_1(i,j)},$ ${\mathrm{\ϵ}}_{x2}=\frac{(B_2(i,j)\×j-\stackrel{\‾}{X_2})}{\mathrm{\Σ}{B}_2(i,j)}$

${\mathrm{\ϵ}}_{y1}=\frac{(B_1(i,j)\×i-\stackrel{\‾}{Y_1})}{\mathrm{\Σ}{B}_1(i,j)},$ ${\mathrm{\ϵ}}_{y2}=\frac{(B_2(i,j)\×i-\stackrel{\‾}{Y_2})}{\mathrm{\Σ}{B}_2(i,j)}$

计算候选手掌像素子集A₁和A₂的y方向的直方图投影的局部极大值η_y1和η_y2：

$T_{\mathrm{yi}1}=\frac{\underset{j}{\mathrm{\Σ}}{B}_1(i,j)}{\max \left(\underset{j}{\mathrm{\Σ}}{B}_1(i,j)\right)}$ $T_{\mathrm{yi}2}=\frac{\underset{j}{\mathrm{\Σ}}{B}_2(i,j)}{\max \left(\underset{j}{\mathrm{\Σ}}{B}_2(i,j)\right)}$

对T_yi1，T_yi2进行局部最大值抑制，即：

其中T_yi1，T_yi2最大的前五个值即为η_y1和η_y2。

最后，将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为所述候选手掌像素子集的空间形状特征向量。可以得到，候选手掌像素子集A₁的空间形状特征向量为ε_x1、ε_y1和η_y1；候选手掌像素子集A₂的空间形状特征向量为ε_x2、ε_y2和η_y2。

步骤104、根据候选手掌像素子集A₁和A₂的空间形状特征向量，对手掌像素子集A₁和A₂进行分类，得到手掌区域像素集，本步骤为选取步骤中的另一步。

本步骤中，将候选手掌像素子集A₁和A₂的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板进行比较，分别计算候选手掌像素子集A₁和A₂的空间形状特征向量与手掌图像空间形状特征向量均值模板的相似度，相似度最高的候选手掌像素子集即为手掌区域像素集。

所述手掌图像空间形状特征向量均值模板通过以下方法获得：首先，挑选1000张手掌图像作为样本进行训练，手工标记出手掌区域和非手掌区域；分别计算手掌区域和非手掌区域的空间形状特征向量，计算的方法可与步骤103描述的计算方法相同；采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类，得到均值模板。

步骤105、根据手掌区域像素集，确定手掌区域，本步骤为获取步骤。

遍历掌纹图像中的像素点，若掌纹图像中第i行第j列的像素在手掌区域像素集内，则得到二值掌纹图像中的像素点B₀(i，j)＝1，否则B₀(i，j)＝0。

即

根据二值掌纹图像B₀确定掌纹图像中手掌区域的元素，具体公式为：

I(i，j)＝T(i，j)×B₀(i，j)，即二值掌纹图像B₀中不为0的像素点对应的掌纹图像中的像素点构成了手掌图像。

图2A为采集得到的掌纹图像，图2B为采用现有技术提供的方法得到的手掌区域图像，图2C为采用本发明提供的方法得到的手掌区域图像。从图中可以看出，采用现有技术提供的方法，没有将手掌区域和人脸区域区分开，将同样是肤色信息的人脸区域也分割为手掌区域，导致获得的手掌区域不准确；而采用本发明提供的方法，通过利用了手掌的形状和空间分布信息，有效地将人脸这类肤色区域分割掉，获得了准确的手掌区域。

除此之外，本发明提供的方法使用了分步的区域分割方法，分阶段建立估计模型，对不同场景下获得的图像具有良好的适应性；本发明提供的方法采用点集的分布离散度和空间直方图投影的局部极大值作为度量手掌的空间形状特征，计算简单方便，效率很高。

图3为本发明提供的掌纹图像中手掌区域的获取装置实施例的结构示意图。如图3所示，该装置可以包括：提取模块11、拟合模块12、选取模块13以及获取模块14，其中：提取模块11用于根据肤色模型提取掌纹图像中的候选手掌像素集；拟合模块12用于对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；选取模块13用于分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；获取模块14用于根据手掌区域像素集，确定掌纹图像中的手掌区域。

本实施例中，提取模块11通过大量训练样本获得先验肤色知识，建立肤色模型，利用该肤色模型能够将掌纹图像中96％以上的手掌像素被检测出来。拟合模块12通过对候选手掌像素集的颜色分布进行拟合，将候选手掌像素集分成两个子集。选取模块13对两个子集进行筛选，去除其中包含非手掌区域像素的子集，确定包含手掌区域像素的子集作为手掌区域像素集。获取模块14确定手掌区域。

具体地说，上述拟合模块12可以具体用于通过EM方法，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集。

进一步的，上述拟合模块12可以包括：二值化单元15、转换单元16、拟合单元17以及划分单元18，其中：二值化单元15用于将候选手掌像素集映射到掌纹图像中，得到二值掌纹图像；转换单元16用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据；拟合单元17用于针对根据拟合数据和二值图像得到的集合，通过期望最大化方法，拟合出混合高斯模型的参数；划分单元18用于根据混合高斯模型，设定阈值将候选手掌像素集分为两个候选手掌像素子集。

优选地，上述转换单元16具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取色度或饱和度通道的图像元素作为拟合数据。

进一步的，上述选取模块13可以包括：第一计算单元19和向量获取单元20，其中：第一计算单元19用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值；向量获取单元20用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。

上述选取模块13还可以包括：第二计算单元21和选取单元22，其中：第二计算单元21用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度；选取单元22用于将相似度最高的候选手掌像素子集选为手掌区域像素集。其中手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量，采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。

本发明提供的装置不仅利用了肤色信息，还利用了手掌的形状和空间分布信息，能够有效地将其他非手掌肤色区域分割掉，从而获得更加准确的手掌区域。本发明提供的装置采用点集的分布离散度和空间直方图投影的局部极大值作为度量手掌的空间形状特征，计算简单方便，效率很高。

最后，需要注意的是：以上列举的仅是本发明的具体实施例子，当然本领域的技术人员可以对本发明进行改动和变型，倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，均应认为是本发明的保护范围。

Claims (12)

1.一种掌纹图像中手掌区域的获取方法，其特征在于，包括：

提取步骤，根据肤色模型提取掌纹图像中的候选手掌像素集；

拟合步骤，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；

选取步骤，分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；

获取步骤，根据手掌区域像素集，确定掌纹图像中的手掌区域。

2.根据权利要求1所述的方法，其特征在于，所述拟合步骤具体为：通过期望最大化方法，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集。

3.根据权利要求2所述的方法，其特征在于，所述拟合步骤包括：

将候选手掌像素集映射到掌纹图像中，得到二值掌纹图像；

将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据；

针对根据拟合数据和二值图像得到的集合，通过期望最大化方法，拟合出混合高斯模型的参数；

根据混合高斯模型，设定阈值将候选手掌像素集分为两个候选手掌像素子集。

4.根据权利要求3所述的方法，其特征在于，所述将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据具体为：将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取饱和度通道的图像元素作为拟合数据。

5.根据权利要求1所述的方法，其特征在于，在选取步骤中，计算候选手掌像素子集的空间形状特征向量包括：

计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值；

将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。

6.根据权利要求1所述的方法，其特征在于，在选取步骤中，根据空间形状特征向量从两个候选手掌像素子集选取手掌区域像素集包括：

分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度，将相似度最高的候选手掌像素子集选为手掌区域像素集；

所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量，采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。

7.一种掌纹图像中手掌区域的获取装置，其特征在于，包括：

提取模块，用于肤色模型提取掌纹图像中的候选手掌像素集；

拟合模块，用于对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集；

选取模块，用于分别计算两个候选手掌像素子集的空间形状特征向量，根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集；

获取模块，用于根据手掌区域像素集，确定掌纹图像中的手掌区域。

8.根据权利要求7所述的装置，其特征在于，所述拟合模块具体用于通过期望最大化方法，对候选手掌像素集的颜色分布进行拟合，得到两个候选手掌像素子集。

9.根据权利要求8所述的装置，其特征在于，所述拟合模块包括：

二值化单元，用于将候选手掌像素集映射到掌纹图像中，得到二值掌纹图像；

转换单元，用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，并选取拟合数据；

拟合单元，用于针对根据拟合数据和二值图像得到的集合，通过期望最大化方法，拟合出混合高斯模型的参数；

划分单元，用于根据混合高斯模型，设定阈值将候选手掌像素集分为两个候选手掌像素子集。

10.根据权利要求9所述的装置，其特征在于，所述转换单元具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式，选取饱和度通道的图像元素作为拟合数据。

11.根据权利要求7所述的装置，其特征在于，所述选取模块包括：

第一计算单元，用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值；

向量获取单元，用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。

12.根据权利要求7所述的装置，其特征在于，所述选取模块包括：

第二计算单元，用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度；所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量，采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的；

选取单元，用于将相似度最高的候选手掌像素子集选为手掌区域像素集。

Images