CN102254188A - 掌纹识别方法及装置 - Google Patents

Abstract

本发明公开了一种掌纹识别方法及装置，涉及生物特征识别领域。该掌纹识别方法包括：在掌纹图像感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量；根据每个局部区域的对比度上下文向量，从多个局部区域提取出稳定区域；对稳定区域内的像素点进行特征编码；根据特征编码的结果，进行掌纹特征相似度判别。本发明在特征匹配前，利用对比度上下文向量提取出掌纹图像感兴趣区域中的稳定区域，去除了不稳定区域在匹配时对识别结果的影响，与现有技术相比，匹配精度更高，受掌纹图像变化的影响更小。

Description

掌纹识别方法及装置

技术领域

本发明涉及生物特征识别领域，更具体地说，涉及一种掌纹识别方法及装置。

背景技术

随着信息技术的飞速发展，信息安全在人们的生活中显得越发的重要。在很多场合，诸如出入境登记、银行关键部门出入控制、电子商务、电子政务、司法安全系统、上下班考勤、计算机登录等等都需要准确的识别人的身份。其中，生物识别技术因其可靠性和便捷性受到了越来越多的重视，在各种身份认证场景中得到广泛的应用。目前主要采用的生物识别特征分为两类：一类是生理特征，如指纹、掌纹、虹膜、人脸等；另一类是行为特征，如签名、声音等。与其它生物识别技术相比，掌纹识别技术具有精度高、设备价格低、使用方便等优势，因而受到越来越多的关注。随着掌纹识别技术不断地改进和完善，越来越多的掌纹识别系统都投入了实际的应用。

掌纹识别方法基本可以分为四大类别：基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法。其中，基于编码的方法是通过提取掌纹图像的纹线方向来进行编码的方法，具有识别率高、特征小、特征提取及匹配速度快、实现简单等特点，从而得到了最广泛的应用。

目前主流的基于编码的掌纹识别方法是在获取掌纹感兴趣区域(RegionOf Interest，以下简称：ROI区域)的基础上，利用纹线的方向特征，对ROI区域内的每一个像素进行编码，作为掌纹的特征描述向量。这种方法容易受到采集环境和手掌姿态的变化的影响。在ROI区域内，一些局部区域纹线较弱或者没有明显的纹线，它们的纹理方向很容易在采集时发生改变，而这种方法不加区分的对ROI区域内的所有像素都进行特征编码，在不同的时间内采集的图像会提取出不同的编码结果，使得识别时这些不稳定的特征会导致识别性能下降。为了保证识别性能，这种方法在应用中往往对采集环境、装置有很高的要求，采集时要求手掌固定在采集装置内，用户体验比较差，设备也比较庞大。

发明内容

本发明的发明目的是针对现有技术的缺陷，提出一种掌纹识别方法及装置，用以去除不稳定区域在匹配时对识别结果的影响，提高匹配精度。

根据本发明的一个方面，本发明提供了一种掌纹识别方法，包括：

在掌纹图像的感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量B；

根据每个局部区域的对比度上下文向量B，从多个局部区域中提取出稳定区域；

对稳定区域内的像素点进行特征编码；

根据特征编码的结果，进行掌纹特征相似度判别。

进一步的，在所述在掌纹图像感兴趣区域上依次截取多个局部区域之前还包括：对掌纹图像的感兴趣区域进行光照归一化和增强处理。

进一步的，所述在掌纹图像的感兴趣区域上依次截取多个局部区域具体为：以设定的大小和移动步长从左至右、从上至下依次在掌纹图像的感兴趣区域上截取多个局部区域，所述局部区域的边长大于所述设定的移动步长。

进一步的，所述获取每个局部区域的对比度上下文向量B包括：

根据预设的尺度条件和方向条件，将局部区域划分为N个不重叠的子区域；

对于第i个子区域，其中i∈[1，N]，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i，从而获取每个局部区域的对比度上下文向量B；所述对比度值为像素点的灰度值减去所述中心点的灰度值而得到的值。所述N为大于1的整数，i为自然数。

进一步的，所述对于第i个子区域，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i包括：

计算第i个子区域内每个像素点与局部区域的中心点的对比度值；

计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率；

将所述均值与所述比率分别与各自的设定阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i。

进一步的，所述根据每个局部区域的对比度上下文向量B，从多个局部区域提取出稳定区域包括：

根据局部区域的对比度上下文向量B，计算得到该局部区域的特征值

其中N为局部区域包括的子区域数量；

将所述局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。

进一步的，所述对稳定区域内的像素点进行特征编码包括：将稳定区域的对比度上下文向量B进行压缩后再进行特征编码。

根据本发明的另一方面，本发明提供了一种掌纹识别装置，包括：

获取模块，用于在掌纹图像的感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量B；

提取模块，用于根据每个局部区域的对比度上下文向量B，从多个局部区域中提取出稳定区域；

编码模块，用于对稳定区域内的像素点进行特征编码；

判别模块，用于根据特征编码的结果，进行掌纹特征相似度判别。

进一步的，所述装置还包括：预处理模块，用于对掌纹图像感兴趣区域进行光照归一化和增强处理。

进一步的，所述获取模块包括：截取单元，用于以设定的大小和移动步长从左至右、从上至下依次在掌纹图像感兴趣区域上截取多个局部区域，所述局部区域的边长大于所述设定的移动步长。

进一步的，所述获取模块包括：

划分单元，用于根据预设的尺度条件和方向条件，将局部区域划分为N个不重叠的子区域；

向量获取单元，用于针对第i个子区域，其中i∈[1，N]，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i，从而获取每个局部区域的对比度上下文向量B；所述对比度值为像素点的灰度值减去所述中心点的灰度值而得到的值。所述N为大于1的整数，i为自然数。

进一步的，所述向量获取单元包括：

第一计算单元，用于计算第i个子区域内每个像素点与局部区域的中心点的对比度值；

第二计算单元，用于计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率；

第一比较单元，用于将所述均值与所述比率分别与各自的设定阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i。

进一步的，所述提取模块包括：

第三计算单元，用于根据局部区域的对比度上下文向量B，计算得到该局部区域的特征值

其中N为局部区域包括的子区域数量；

第二比较单元，用于将所述局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。

进一步的，所述编码模块具体用于将稳定区域的对比度上下文向量B进行压缩后再进行特征编码。

本发明在特征匹配前，利用对比度上下文向量提取出掌纹图像ROI区域中的稳定区域，去除了不稳定区域在匹配时对识别结果的影响，与现有技术相比，匹配精度更高，受掌纹图像变化的影响更小。

附图说明

图1为本发明提供的掌纹识别方法一实施例流程图；

图2为本发明对掌纹图像ROI区域进行光照归一化和增强处理前后对比的示意图；

图3为本发明掌纹图像ROI区域的示意图；

图4为图3中方框所示的一个局部区域的放大示意图；

图5为本发明对如图4所获得的局部区域进行划分的示意图；

图6a-图6e为本发明在不同的阈值条件下得到的某局部区域各子区域的二值化向量值的示意图；

图7为本发明掌纹图像ROI区域中各局部区域的特征值的分布示意图；

图8为本发明提供的掌纹识别装置的结构示意图。

具体实施方式

本发明提供了一种掌纹识别方法及装置，其核心思想是先在掌纹图像ROI区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量；然后根据每个局部区域的对比度上下文向量，从多个局部区域中提取出稳定区域；在进行特征编码时仅对稳定区域内的像素点进行编码；根据对稳定区域提取的特征进行掌纹特征相似度判别。本发明在特征匹配前，利用对比度上下文向量提取出掌纹图像ROI区域中的稳定区域，去除了不稳定区域在匹配时对识别结果的影响，与现有技术相比，匹配精度更高，受掌纹图像变化的影响更小。

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识别方法一实施例流程图。如图1所示，该方法包括以下步骤：

步骤101、对掌纹图像的ROI区域进行光照归一化和增强处理。

掌纹图像ROI区域的光照归一化和增强处理是掌纹识别预处理工作中的一步。该步骤为本实施例的可选步骤。其中光照归一化处理方法可以采用伽马变换方法或直方图均衡化方法等，增强处理方法可以采用灰度拉伸方法等。本实施例以伽马变换与高斯差分(Difference of Gaussian，以下简称：DOG)滤波相结合的方法为例进行介绍。

伽马变换是一种传统的光照归一化处理方法，可以有效的消除图像中的局部阴影区域。设掌纹图像ROI区域上像素点(x，y)的灰度值为I₀(x，y)，经过伽马变换之后得到的归一化处理后的像素点(x，y)的灰度值为I_G(x，y)，则有：

$I_G(x,y)=I_0^{\mathrm{\γ}}(x,y)---\left(1\right)$

这里γ值可取为0.3作为默认参数。

DOG滤波器在图像处理中被广泛用于图像边缘细节的增强处理，它的核函数由两个不同尺度的高斯函数的差分组成，如式(2)所示。

$G(x,y)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-{(x+y)}^2/\left(2{\mathrm{\σ}}_1^2\right)}-\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-{(x+y)}^2/\left(2{\mathrm{\σ}}_2^2\right)}---\left(2\right)$

其中σ₂一般取较小的值用来获取图像中的细节信息，σ₁用来控制滤除的低频信息。

将经过伽马变换处理后的图像I_G(x，y)与该DOG滤波器核函数G(x，y)相乘即可得到增强处理后的图像I(x，y)，如式(3)所示。

I(x，y)＝I_G(x，y)×G(x，y)                                  (3)

图2为本发明对掌纹图像ROI区域进行光照归一化和增强处理前后对比的示意图。如图2所示，上面一行图像是未经过光照归一化和增强处理的图像，下面一行图像是经过光照归一化和增强处理的图像。从图中可以看出，经过光照归一化和增强处理后，减少了掌纹采集时不同光照对后续识别的影响，进一步提高了纹线的对比度，突显出更多的细节信息，利于后续的掌纹特征提取及匹配，对采集环境的改变更加鲁棒。另外，本实施例采用伽马变换与DOG滤波结合的方法，与其他方法相比考虑到了掌纹图像的纹理特征，更为有效的消除了光照的影响，增强手掌纹线，而且该方法简单实用。

步骤102、在掌纹图像的ROI区域上依次截取多个局部区域。

为了更均匀的对掌纹图像ROI区域进行采样，并且提高采样点特征提取的效率，本实施例将掌纹图像ROI区域划分成多个正方形的局部区域，且所述局部区域的中心以设定的移动步长从左至右、从上至下移动。所述局部区域的边长大于所述设定的移动步长，使得相邻的至少两个局部区域部分重叠。本实施例以图像大小为184×184的掌纹图像ROI区域为例进行说明。图3为本发明掌纹图像ROI区域的示意图，图4为图3中方框所示部分的一个局部区域的放大示意图。本步骤中，采取均匀采样的策略，以设定移动步长t从左至右、从上至下依次在掌纹图像ROI区域上截取多个局部区域。具体地说，首先从图3所示图像的左上角开始截取第一个局部区域，该局部区域的大小是预先设定的，设为p×p；然后从左至右移动步长t个像素点，截取下一个局部区域；依此类推，在横向方向上截取完毕之后，再从上至下移动步长t截取局部区域；重复上述过程直至截取完毕。本例中p取24，t取4，既能准确的提取掌纹特征，又提高了采样效率。

在实际应用中，考虑到均匀采样时会舍去边缘区域，因此在图像大小为184×184的掌纹图像ROI区域上可以截取41×41个局部区域。

步骤103、获取每个局部区域的对比度上下文向量。

对于一个大小为p×p的局部区域R(本例中p取24)，首先根据预设的尺度条件和方向条件，将其划分为N个不重叠的子区域，N为大于1的整数。图5为本发明对局部区域进行划分的示意图。如图5所示，本实施例采用极坐标系统将局部区域R划分为N个不重叠的子区域R₁，R₂，...，R_N，该局部区域R的中心点记为A_c(x_c，y_c)。这里预设的尺度条件是半径r的尺度等级数量和尺度值，如3个等级，尺度值分别为4，8，12，方向条件是将圆周分成的角度方向的数量，如8，即将圆周分成均匀的8个方向，在中心点A_c周围一共有N＝24个子区域，即子区域的数量＝尺度等级数量×角度方向的数量。其中R₁，R₂，...R₈为扇形区域，R₉，R₁₀，...R₂₄为扇环区域。需要说明的是，由于本实施例采用极坐标系统对局部区域进行划分，使得划分得到的24个子区域不包括半径为12的圆形以外的部分，但这部分区域面积很小，忽略这部分区域对掌纹识别的影响也很小，因此后续只考虑对这24个子区域进行处理。

对于第i个子区域R_i，其中i∈[1，N]，本实施例可以根据该子区域R_i内每个像素点与局部区域R的中心点A_c的对比度值得到该子区域R_i对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i，从而获取每个局部区域的对比度上下文向量。这个过程可以具体包括：

(a)计算第i个子区域R_i内每个像素点与局部区域R的中心点A_c的对比度值C(A)。

该对比度值C(A)为像素点的灰度值减去中心点的灰度值而得到的值，即：

C(A)＝I(x，y)-I(x_c，y_c)                                  (4)

该对比度值C(A)也可以由像素点的灰度值减去中心点4邻域或8邻域内各像素点的灰度值的均值得到。

(b)计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率。

由于统计直方图对噪声和不稳定点不敏感，因此在实际应用中可以利用基于直方图的方法来估计每个子区域的对比度值。

由于手掌纹线一般都是掌纹图像中的低灰度区域，其周围区域的灰度值往往高于手掌纹线所在区域，因此在统计时仅考虑对比度值大于0的像素点。

计算对比度值大于0的像素点的对比度值的均值

如式(5)所示；以及计算对比度值大于0的像素点在子区域R_i内所占的比率

如式(6)所示。

$H_{R_i^{+}}\left(A_c\right)=\frac{\mathrm{\Σ}\left\{C\left(A\right)\right|A\∈R_i\mathrm{andC}\left(A\right)>0\}}{{\#}_{R_i^{+}}}---\left(5\right)$

$D_{R_i^{+}}\left(A_c\right)=\frac{{\#}_{R_i^{+}}}{{\#}_{R_i}}---\left(6\right)$

其中，表示子区域R_i内所有像素点的个数，

表示子区域R_i内对比度值大于0的像素点的个数。

(c)将均值

和比率

分别与各自的阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i。

为了更好的表示局部区域的对比度分布，将对比度直方图转化为一个N维的二值向量，即对比度上下文向量B。如式(7)所示，当均值

大于阈值T_H，并且比率

大于阈值T_D时，第i个子区域对应的二值化向量值为1；否则，第i个子区域对应的二值化向量值为0。

i＝1，...，N           (7)

其中，T_H为预设的对比度值大于0的像素点的对比度值均值阈值，T_D为预设的对比度值大于0的像素点在子区域R_i内所占的比率阈值。在不同的阈值条件下，局部区域的对比度上下文向量B是不同的，一般情况下取T_D＝0.5， $T_H=\min \{10,\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{R_i^{+}}}{N}\}.$

图6a-图6e为本发明在不同的阈值条件下得到的某局部区域各子区域的二值化向量值的示意图。在图6a-6e中，每个原点表示一个子区域，黑色原点表示该子区域对应的二值化向量值为0，白色原点表示该子区域对应的二值化向量值为1。如图6a所示，阈值条件为T_D＝0.5，T_H＝9，该局部区域的对比度上下文向量B＝{110010001100001101101100}；如图6b所示，阈值条件为T_D＝0.8，T_H＝9，该局部区域的对比度上下文向量B＝{000000001100000000101100}；如图6c所示，阈值条件为T_D＝0.2，T_H＝9，该局部区域的对比度上下文向量B＝{110110001101011111111110}；如图6d所示，阈值条件为T_D＝0.5，T_H＝5，该局部区域的对比度上下文向量B＝{110010001110111101111101}；如图6e所示，阈值条件为T_D＝0.5，T_H＝15，该局部区域的对比度上下文向量B＝{000010000000001101101100}。

步骤104、根据每个局部区域的对比度上下文向量，从截取的多个局部区域中提取出稳定区域。

掌纹图像中的稳定区域是指纹线所在的区域，这些区域最明显的特点是灰度值低于其周围的区域，上述的对比度上下文向量B恰恰反映了纹线的这种特征，因此本步骤可以利用该对比度上下文向量区分稳定区域与非稳定区域。

本步骤中，根据局部区域的对比度上下文向量B，计算得到该局部区域的特征值

其中N是局部区域的数量，本例中为24，x_R和y_R为局部区域的位置标识。该局部区域的特征值是对向量B所有分量求和得到的，它的值反映了中心点为稳定区域的可能性，它的值越大表明该局部区域是纹线区域的可能性就越大。

图7为本发明掌纹图像ROI区域中各局部区域的特征值的分布示意图，该图显示了图3所示掌纹图像ROI区域中各局部区域的特征值的分布。

将局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。如式(8)所示，用Marked_image标记掌纹图像的各个局部区域，如局部区域的特征值S大于特征值阈值T_M，则该局部区域为稳定区域，Marked_image中对应点的值为1；如局部区域的特征值S小于或等于特征值阈值T_M，则该局部区域为非稳定区域，Marked_image对应点的值为0。对截取的41×41个局部区域分别判断是否为稳定区域后，我们可以得到41×41大小的稳定区域标记图像Marked_image。

$\mathrm{Marked}\_\mathrm{image}(x_R,y_R)=\left\{\begin{array}{c}0,S(x_R,y_R)\≤T_M\\ 1,S(x_R,y_R)>T_M\end{array}\right.---\left(8\right)$

其中，x_R和y_R是局部区域的位置标识，0≤x_R≤40，0≤y_R≤40，这里特征值阈值T_M的选取十分重要，这是因为它直接决定了最终用于匹配的像素点的数量。阈值过大会导致最终用于匹配的特征太少，使得区分性降低；阈值过小会导致不稳定区域没有被有效的去除。本实施例特征值阈值可以是预先设定好的，但优选地，本实施例也可以采用一种动态确定阈值T_M的方法。具体地，将所有采样点对应的S值降序排列，然后取第M个S值作为特征值阈值T_M。这样保证了所有的掌纹图像都有相同数量的稳定区域用于匹配。优选的，M的取值为1200。

步骤105、对稳定区域内的像素点进行特征编码。

在确定稳定区域之后，本实施例仅对稳定区域内的每一个像素点进行编码，作为掌纹的特征描述向量。除此之外，由于上述获得的对比度上下文向量很好的反映了纹线区域的对比度信息，而且由于该向量中的每一分量都是按照方向和半径的顺序依次排列的，其中隐含了纹线的方向信息，因此该向量也可以表示纹线特征，可以将其也进行特征编码。

进一步的，上述对比度上下文向量的维数为24(如果子区域数量变化，向量维数也会相应变化)，其长度冗余，会增加特征存储的开销和匹配的时间，因此有必要对该向量进行压缩后再进行特征编码。考虑到在匹配时，基于编码的方法使用的都是纹线的方向信息，因此可将同一个方向、三个半径范围的编码结果压缩为一位。如表1所示，将24位向量B进行压缩得到8位的特征编码向量F，更加简明的表示采样区域的方向信息。应该理解，如果预设的尺度条件和方向条件变化了，此处的向量压缩方法也要做相应调整。向量压缩方法是本领域技术人员公知的技术，在此不赘述。

表1

步骤106、根据特征编码的结果，进行掌纹特征相似度判别。

本实施例具体采用计算两个掌纹特征相似度的方法进行匹配。对于两个掌纹图像的ROI区域，通过步骤101-步骤104可以分别得到两个掌纹图像的ROI区域的局部区域特征值S_p(x_R，y_R)和S_Q(x_R，y_R)，以及稳定区域标记图像Marked_image_p(x_R，y_R)和Marked_image_Q(x_R，y_R)，其中，x_R和y_R为局部区域位置标识。为了运算方便，采用步骤105的方法对局部区域特征值S_p(x_R，y_R)进行压缩，得到掌纹图像的ROI区域的编码特征向量矩阵P，和对局部区域特征值S_p(x，y)进行压缩，得到掌纹图像的ROI区域的编码特征向量矩阵Q。用P_M和Q_M分别表示对应的稳定区域标记图像Marked_image_p(x_R，y_R)和Marked_image_Q(x_R，y_R)，那么两个掌纹特征相似度可以通过式(9)来计算。

$S(P,Q)=\frac{\underset{x_R}{\mathrm{\Σ}}\underset{y_R}{\mathrm{\Σ}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(P_k(x_R,y_R)\⊕Q_k(x_R,y_R))\×(P_M(x_R,y_R)\∩Q_M(x_R,y_R))}{\underset{x_R}{\mathrm{\Σ}}\underset{y_R}{\mathrm{\Σ}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}N\×(P_M(x_R,y_R)\∪Q_M(x_R,y_R))}---\left(\text{9}\right)$

其中，∩是比特与运算符，∪是比特或运算符，

是同或运算符，N是编码特征的维数。显然S(P，Q)的值在0和1之间，在理想条件下S(P，Q)的值应为1。在实际匹配过程中，可将其中一幅掌纹图像在水平和竖直方向分别平移若干个像素并计算相似度，最终取最大的值作为这两个掌纹图像的相似度值。最后，将获得的结果与设定的阈值进行比较，大于阈值则判断出两个掌纹图像来自同一手掌，否则认为两个掌纹图像来自不同的手掌。在公式(9)中，本实施例中的N为压缩后的特征维数，具体为8，根据预设的方向条件确定。

本领域的技术人员应该知道，局部区域的大小p和移动步长t不限于本例中的数值，可以根据掌纹图像ROI区域的分辨率设定。通常移动步长不小于采集的掌纹图像中的掌纹纹线的宽度，选择的局部区域的大小和移动步长能保证掌纹图像ROI区域能截取出整数个数的局部区域，而且，掌纹图像ROI区域的分辨率越大，局部区域的大小p和移动步长t也相应增加，可以提高采样效率。另外，本发明不限于将掌纹图像局部区域划分成24个子区域，对预设的尺度条件和方向条件也不做限定，但是预设的最大半径值不能大于局部区域边长的1/2，最小半径不能小于移动步长(即掌纹图像中纹线宽度值)。本实施例中划分的子区域的数量和预设的尺度条件和方向条件为经过大量掌纹数据测试，识别效果最佳时的参数。还可以将掌纹图像ROI区域划分成400个32×32的局部区域，设定移动步长为8。将每个局部区域划分成18个子区域，设定半径为6、11、16，方向条件为将圆周均匀划分为6个角度方向，得到的特征向量维数为18，压缩后的特征维数为6。

本实施例提供的掌纹识别方法解决了在采集环境、装置限制较少的情况下(比如非接触的采集环境)，仍然可以提取有效的特征用于掌纹识别的问题。具体地，利用对比度上下文向量提取出掌纹图像ROI区域中的稳定区域进行特征编码，去除了不稳定区域在匹配时对识别结果的影响，从而消弱了外界环境对掌纹识别结果的影响，与现有技术相比，匹配精度更高，受掌纹图像变化的影响更小。本实施例采用对比度上下文向量来表示掌纹的纹线特征，仅涉及到一些简单的运算，与现有技术涉及到的卷积等复杂运算相比，本实施例提供的方法计算简单、速度快且效率高，保证了识别的准确率和速度。本实施例提供的方法考虑到了不同尺度条件下的掌纹特征表示，与现有技术单一尺度条件下计算纹线方向特征相比，区分性更强，具有更高的识别准确率。本实施例提供的方法使用了更多的比特位来表示纹线信息，所表示的纹线模式更加丰富，可以更加精确的描述掌纹特征。

图8为本发明提供的掌纹识别装置的结构示意图。如图8所示，该装置包括：获取模块10、提取模块20、编码模块30和判别模块40。其中：获取模块10用于在掌纹图像感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量；提取模块20用于根据每个局部区域的对比度上下文向量，从多个局部区域提取出稳定区域；编码模块30用于对稳定区域内的像素点进行特征编码；判别模块40用于根据特征编码的结果，进行掌纹特征相似度判别。

进一步的，该装置还可以包括：预处理模块50，用于对掌纹图像感兴趣区域进行光照归一化和增强处理。其中光照归一化处理方法可以采用伽马变换方法或直方图均衡化方法等，增强处理方法可以采用灰度拉伸方法等。经过预处理模块50的处理，减少了掌纹采集时不同光照对后续识别的影响，进一步提高了纹线的对比度，突显出更多的细节信息，利于后续的掌纹特征提取及匹配，对采集环境的改变更加鲁棒。

进一步的，上述获取模块10可以包括：截取单元11，用于以设定的大小和移动步长从左至右、从上至下依次在掌纹图像感兴趣区域上截取多个局部区域，该局部区域的边长大于设定的移动步长，使得多个局部区域中至少两两局部重叠。。

上述获取模块10还可以包括：划分单元12和向量获取单元13。其中：

划分单元12用于根据预设的尺度条件和方向条件，将局部区域划分为N个不重叠的子区域；该划分单元12可以采用极坐标系统将局部区域R划分为N个不重叠的子区域R₁，R₂，...，R_N，该局部区域R的中心点记为A_c(x_c，y_c)。这里预设的尺度条件可以是半径r的尺度等级数量和尺度值，如3个等级，尺度值分别为4，8，12，方向条件可以是将圆周分成的角度方向的数量，如8，即将圆周分成均匀的8个方向，这样在中心点A_c周围一共有24个子区域，其中R₁，R₂，...R₈为扇形区域，R₉，R₁₀，...R₂₄为扇环区域。

向量获取单元13用于针对第i个子区域，其中i∈[1，N]，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i，从而获取每个局部区域的对比度上下文向量；所述对比度值为像素点的灰度值减去所述中心点的灰度值而得到的值。

进一步的，上述向量获取单元13包括：第一计算单元14、第二计算单元15和第一比较单元16。其中，第一计算单元14用于计算第i个子区域内每个像素点与局部区域的中心点的对比度值；第二计算单元15用于计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率；第一比较单元16用于将所述均值与所述比率分别与各自的设定阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量B的第i个分量B_i。

进一步的，上述提取模块20可以包括：第三计算单元21和第二比较单元22。其中，第三计算单元21用于根据局部区域的对比度上下文向量B，计算得到该局部区域的特征值

第二比较单元22用于将所述局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。

进一步的，上述编码模块30具体用于将稳定区域的对比度上下文向量进行压缩后再进行特征编码。

本实施例提供的掌纹识别装置解决了在采集环境、装置限制较少的情况下(比如非接触的采集环境)，仍然可以提取有效的特征用于掌纹识别的问题。具体地，利用对比度上下文向量提取出掌纹图像ROI区域中的稳定区域进行特征编码，去除了不稳定区域在匹配时对识别结果的影响，从而消弱了外界环境对掌纹识别结果的影响，与现有技术相比，匹配精度更高，受掌纹图像变化的影响更小。本实施例采用对比度上下文向量来表示掌纹的纹线特征，仅涉及到一些简单的运算，与现有技术涉及到的卷积等复杂运算相比，本实施例提供的装置计算简单、速度快且效率高，保证了识别的准确率和速度。本实施例提供的装置考虑到了不同尺度条件下的掌纹特征表示，与现有技术单一尺度条件下计算纹线方向特征相比，区分性更强，具有更高的识别准确率。本实施例提供的装置使用了更多的比特位来表示纹线信息，所表示的纹线模式更加丰富，可以更加精确的描述掌纹特征。

最后，需要注意的是：以上列举的仅是本发明的具体实施例，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 (14)

1.一种掌纹识别方法，其特征在于，包括：

在掌纹图像的感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量；

根据每个局部区域的对比度上下文向量，从多个局部区域中提取出稳定区域；

对稳定区域内的像素点进行特征编码；

根据特征编码的结果，进行掌纹特征相似度判别。

2.根据权利要求1所述的方法，其特征在于，在所述在掌纹图像的感兴趣区域上依次截取多个局部区域之前还包括：对掌纹图像的感兴趣区域进行光照归一化和增强处理。

3.根据权利要求1或2所述的方法，其特征在于，所述在掌纹图像的感兴趣区域上依次截取多个局部区域具体为：以设定的大小和移动步长从左至右、从上至下依次在掌纹图像感兴趣区域上截取多个局部区域，所述局部区域的边长大于所述设定的移动步长。

4.根据权利要求3所述的方法，其特征在于，所述获取每个局部区域的对比度上下文向量包括：

根据预设的尺度条件和方向条件，将局部区域划分为N个不重叠的子区域；

对于第i个子区域，其中i∈[1，N]，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量的第i个分量B_i，从而获取每个局部区域的对比度上下文向量；所述对比度值为像素点的灰度值减去所述中心点的灰度值而得到的值；

所述N为大于1的整数，i为自然数。

5.根据权利要求4所述的方法，其特征在于，所述对于第i个子区域，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量的第i个分量包括：

计算第i个子区域内每个像素点与局部区域的中心点的对比度值；

计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率；

将所述均值与所述比率分别与各自的设定阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量的第i个分量。

6.根据权利要求4所述的方法，其特征在于，所述根据每个局部区域的对比度上下文向量，从多个局部区域提取出稳定区域包括：

根据局部区域的对比度上下文向量计算该局部区域的特征值

其中N为局部区域包括的子区域数量，B_i为对比度上下文向量的第i个分量；

将所述局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。

7.根据权利要求1所述的方法，其特征在于，所述对稳定区域内的像素点进行特征编码包括：将稳定区域的对比度上下文向量进行压缩后再进行特征编码。

8.一种掌纹识别装置，其特征在于，包括：

获取模块，用于在掌纹图像的感兴趣区域上依次截取多个局部区域，获取每个局部区域的对比度上下文向量；

提取模块，用于根据每个局部区域的对比度上下文向量，从多个局部区域中提取出稳定区域；

编码模块，用于对稳定区域内的像素点进行特征编码；

判别模块，用于根据特征编码的结果，进行掌纹特征相似度判别。

9.根据权利要求8所述的装置，其特征在于，还包括：预处理模块，用于对掌纹图像感兴趣区域进行光照归一化和增强处理。

10.根据权利要求8或9所述的装置，其特征在于，所述获取模块包括：

截取单元，用于以设定的大小和移动步长从左至右、从上至下依次在掌纹图像感兴趣区域上截取多个局部区域，所述局部区域的边长大于所述设定的移动步长。

11.根据权利要求10所述的装置，其特征在于，所述获取模块包括：

划分单元，用于根据预设的尺度条件和方向条件，将局部区域划分为N个不重叠的子区域；

向量获取单元，用于针对第i个子区域，其中i∈[1，N]，根据该子区域内每个像素点与局部区域的中心点的对比度值得到该子区域对应的二值化向量值，作为N维对比度上下文向量的第i个分量，从而获取每个局部区域的对比度上下文向量；所述对比度值为像素点的灰度值减去所述中心点的灰度值而得到的值，

所述N为大于1的整数，i为自然数。

12.根据权利要求11所述的装置，其特征在于，所述向量获取单元包括：

第一计算单元，用于计算第i个子区域内每个像素点与局部区域的中心点的对比度值；

第二计算单元，用于计算对比度值大于0的像素点的对比度值的均值，以及对比度值大于0的像素点在子区域内所占的比率；

第一比较单元，用于将所述均值与所述比率分别与各自的设定阈值进行比较，得到第i个子区域对应的二值化向量值，作为N维对比度上下文向量的第i个分量。

13.根据权利要求11所述的装置，其特征在于，所述提取模块包括：

第三计算单元，用于根据局部区域的对比度上下文向量B，计算得到该局部区域的特征值

其中N为局部区域包括的子区域数量，B_i为对比度上下文向量的第i个分量；

第二比较单元，用于将所述局部区域的特征值S与确定的特征值阈值进行比较，根据比较结果判别该局部区域是否为稳定区域。

14.根据权利要求8所述的装置，其特征在于，所述编码模块具体用于将稳定区域的对比度上下文向量进行压缩后再进行特征编码。

Images