CN103198304B

CN103198304B - 一种掌纹提取识别方法

Info

Publication number: CN103198304B
Application number: CN201310137558.XA
Authority: CN
Inventors: 刘富; 康冰; 魏祺韡; 韵卓; 王志涛; 崔征; 高雷; 梁艳磊; 刘云; 张潇
Original assignee: Jilin University
Current assignee: Jilin Jichuang Kebao Technology Co.,Ltd.
Priority date: 2013-04-19
Filing date: 2013-04-19
Publication date: 2017-03-08
Anticipated expiration: 2033-04-19
Also published as: CN103198304A

Abstract

一种掌纹提取识别方法，属于提取识别技术领域。本发明的目的是克服现有的方法都需要人工参与定位辨识掌纹才能得到掌纹信息的不足，通过依靠计算机就能准确区分出手掌正常纹和异常纹的一种掌纹提取识别方法。本发明的操作步骤是：采集掌纹图像进行预处理、提取手掌轮廓，分析手掌轮廓上特征点、提取掌纹三条主干线、获得主干线的特征点，对掌部掌纹进行区域分割、搜索识别各个分割出的小区域内的异常纹。本发明提供的技术方案提出将掌纹中的异常纹这一显著的识别特征，克服了现有技术描述识别特征（颜色和纹理形状）时的感性局限性。提供的识别异常纹的方法能完全由计算机自动的识别出手掌上的“十”状纹和“米”状纹，单机操作，无需联网，也不需要人工参与对比辨识，提高了识别效率和准确度。使用人群广泛，任何人都能够毫无困难的使用该系统，包括老人和小孩。

Description

一种掌纹提取识别方法

技术领域

本发明属于提取识别技术领域。

背景技术

人手部掌纹由于各种原因分为正常纹和异常纹，而异常纹可能会出现“十”状纹、“井”状纹、“米”状纹等纹路。许君德提出一种全息掌纹检测方法，使用手机摄像头采集掌纹图像并观察其颜色深浅、纹理形状，对比标准全息掌纹图得出资料，这种方法的缺点是人们对颜色深浅、纹理形状的判断会由于个体知识经验水平存在很大差异，这种感性的判断会严重影响结论。高华江提出一种用手机摄像头获取掌纹特征信息的方法，主要涉及通信技术领域，需要将获取的掌纹图像与数据库图像对比，该方法不能完全自动的输出所需信息。侯万春提出一种通过电子掌纹或电子面纹进行健康分析方法，该方法主要是将采集到的掌纹图像和数据库中的图像自动辨识加人工校对方法生成应答消息传送给终端。这种方法需要组建并搜索大型数据库，速度慢，人工校对的效率低，耗资大。

发明内容

本发明的目的是克服现有的方法都需要人工参与定位辨识掌纹才能得到掌纹信息的不足，通过依靠计算机就能准确区分出手掌正常纹和异常纹的一种掌纹提取识别方法。

本发明的操作步骤是：

a、采集掌纹图像进行预处理：将采集到的彩色掌纹图像灰度化，使用灰度阈值分割法将掌纹灰度图像二值化，使用形态学开运算平滑图像边缘；

b、提取手掌轮廓，分析手掌轮廓上特征点：追踪提取图像轮廓，使用距离导数方法找到五个手指的指尖点和指根点；

c、提取掌纹三条主干线：使用sobel算子提取主干线的边缘，模拟形态学“生长”方法连接断续的主干线，细化获得清晰的主干线；

d、获得主干线的特征点，对掌部掌纹进行区域分割：根据八卦图分析找到主干线上的16个关键点，将这些关键点连线得到九个区域，判断图像上的点所属的图片，分割出图像上的图形；

e、搜索识别各个分割出的小区域内的异常纹。

本发明上述采集方法所需要的采集掌纹的装置是：在机台安装有立支架，横支架下端安装的上支架插在立支架内部，并且上支架上的插销对应立支架的插孔；在机台上的两个立支架之间有固定手臂夹板和活动手臂夹板，固定手臂夹板和活动手臂夹板之间是手臂放置空间，活动手臂夹板通过手臂夹板弹簧连接在固定手臂夹板支架上；在横支架上有固定相机夹板和活动相机夹板，活动相机夹板通过相机夹板弹簧连接在固定相机夹板支架上；在横支架对应相机的镜头部位开有摄制孔。

本发明提供的技术方案提出将掌纹中的异常纹这一显著的识别特征，克服了现有技术描述识别特征（颜色和纹理形状）时的感性局限性。同时，本发明在提取掌纹上的主干线时，提供了一种“生长”的方法，循着掌纹主线纹路的延伸趋势将断续的主干线连接，相较现有的方法更符合掌纹特征的生物特点，提取出的掌纹主干线更贴近真实掌纹的形态和位置。此外，本发明提供的识别异常纹的方法能完全由计算机自动的识别出手掌上的“十”状纹和“米”状纹、“岛”形纹，单机操作，无需联网，也不需要人工参与对比辨识，提高了识别效率和准确度。使用人群广泛，任何人都能够毫无困难的使用该系统，包括老人和小孩。

附图说明

图1是本发明掌纹提取识别方法的流程图；

图2是本发明掌纹采集装置结构示意图；

图3是本发明图2的俯视图；

图4是本发明掌纹灰度图像；

图5是本发明灰度直方图；

图6是本发明手掌二值图像；

图7是本发明平滑前后边缘“毛刺”放大图；

图8是手掌轮廓；

图9是手掌坐标系及轮廓特征点示意图；

图10是手掌轮廓上的点到o的欧式平方距离曲线；

图11是欧式平方距离曲线的导数曲线；

图12是Sobel算子检测边缘图；

图13是去噪后的手掌边缘图像；

图14是三条断续的主干线；

图15是主干线断点的“生长”模型；

图16是“生长”后连续的主线；

图17是手掌掌纹九个区域对比图；

图18是手掌轮廓与三条主线的叠加图及定位关键点；

图19是划分的九块区域；

图20是分割出的九块区域；

图21是累加器出现两个峰（存在“十”状纹）；

图22是累加器出现一个峰（无“十”状纹）；

图23是累加器无显著高峰（无“十”状纹）；

图24是累加器出现三个高峰（存在“米”状纹）。

具体实施方式

本发明的步骤是：

e、搜索识别各个分割出的小区域内的异常纹。

本发明在机台16安装有立支架8，横支架15下端安装的上支架1插在立支架8内部，并且上支架1上的插销对应立支架8的插孔2，上支架1可以在立支架8内部上下抽插，当达到最佳照相位置后，通过上支架1上的插销卡入插孔内部，从而将上支架1和立支架8相对的固定；在机台16上的两个立支架8之间有固定手臂夹板7和活动手臂夹板3，固定手臂夹板7和活动手臂夹板3之间是手臂放置空间6，活动手臂夹板3通过手臂夹板弹簧4连接在固定手臂夹板支架5上，活动手臂夹板3可以在手臂夹板弹簧4的作用下左右移动，放置好手臂后，通过手臂夹板弹簧4将手臂夹持住，可以保证手臂相对稳定；在横支架15上有固定相机夹板9和活动相机夹板11，活动相机夹板11通过相机夹板弹簧12连接在固定相机夹板支架13上，活动相机夹板11在相机夹板弹簧12的作用下，可以左右移动，当放置好相机10以后，通过相机夹板弹簧12的弹力将相机10夹持在固定相机夹板9和活动相机夹板11之间；在横支架15对应相机10的镜头部位开有摄制孔14，夹持好的相机10的摄像头正好置于设置孔14的位置，与下部放置好的手掌正好也对应上，这样就可以通过相机采集手掌的掌纹图像了。

在具体实现过程中，采集步骤进一步包括掌纹特征图像的采集步骤，该步骤包括：

手掌竖直向上，五指自然张开平置于采集台的幕布前，在自然光条件下无曝光的采集手掌图像；

在具体实现过程中，预处理步骤包括：

S1将采集到的彩色掌纹图像灰度化：使用matlab读取一幅RGB模式（三（红、绿、蓝）元素模式）的手掌图片，使用matlab图像处理工具箱中rgb2gray（）函数将图片模式转化为灰度图；

做出图像的灰度直方图，找到灰度直方图两个峰之间的谷底值T作为二值化分割的门限阈值，将灰度图像化为二值图像；

使用33的正方形中值滤波窗口对图像进行中值滤波；

使用边界跟踪算法提取手掌图像的轮廓。

S2随后，在下一步骤106执行轮廓特征点提取，包括提取手掌轮廓的指根点和指尖点。

在具体实现过程中，轮廓特征点的提取步骤包括：

建立图像坐标系xoy，以手腕的两个边缘起始点ST1(start_x1,start_y1)和(start_x2,start_y2)的中点Pt作为计算距离的坐标原点；

按照公式计算边界上每一点到Pt的距离L的平方；

由于 L为离散函数，所以使用差分相减得到近似的导数，经实验得d取10效果较好；

指尖点和指根点到Pt的距离分别是手掌轮廓上的点到Pt点距离的局部最大值和局部最小值，因此计算近似导数的点（本实验中d=10）,即为指尖点或指根点。

手掌轮廓特征点坐标图参见附图5。

S3随后，在下一步骤108执行主干线提取，包括对掌纹图像进行主干线的粗提取和“生长”运算。

在具体实现过程中，主干线的粗提取步骤包括：

使用Sobel算子对手掌灰度图像进行边缘检测；

滤除联通面积小于S（本实例S=20）的点；

去除手掌轮廓边缘，仅保留滤波后断续的主干线。

在具体实现过程中，“生长”算法的步骤包括：

计算连通面积的长；

宽度取平均宽度，即连通连通面积S与L的比值；

设定在ZX增量长度为1/2 L,计算过P1（x1,y1）,P2(x2,y2)的直线y=f(x)；

计算上半部分的生长y=f(x),其中。计算y值，以平均宽度向上下延拓达到宽度增长。同理“生长”下半部分。

经过“生长”运算后的图像除去面积较小的连通区域，然后细化得到清晰连贯的主干线。

随后，在下一步骤110执行手掌部区域分割，包括提取主干线上的15个特征点和区域分割。

以下结合附图对本发明做进一步描述：

本发明提供了一种异常纹提取识别的方法，包括以下步骤：

S1：将采集到掌纹图像进行预处理；

S2：提取手掌轮廓，分析手掌轮廓上特征点；

S3：提取掌纹三条主干线；

S4：获得主干线的特征点，对掌部掌纹进行区域分割；

S5：搜索识别各个分割出的小区域内的异常纹。

符号说明：

其中，所述步骤S1包括：

S101：将采集到的彩色掌纹图像灰度化。

S102：使用灰度阈值分割法将掌纹灰度图像二值化。由于所采集的掌纹图像的背景和前景单一，其灰度直方图有明显双峰的特点，因此选取两峰之间的谷值T作为二值化分割的门限阈值；

S103：使用形态学开运算平滑图像边缘。

其中，所述步骤S2包括：

S201：追踪提取图像轮廓；

S202：使用距离导数方法找到五个手指的指尖点和指根点。

其中，所述步骤S202中的距离导数的方法如下：

建立手掌轮廓图像的坐标系，以手腕的两个边缘起始点a和b的中点O作为计算距离的坐标原点。

按照公式（1）计算手掌轮廓上的每一点到O的欧式平方距离L。

（1）

L（n）曲线求导，得到所有的拐点。

其中，所述步骤S3包括：

S301：使用sobel算子提取主干线的边缘；

S302：模拟形态学“生长”方法连接断续的主干线；

S303：细化获得清晰的主干线。

其中，所述步骤S301所述的提取主干线的边缘具体实施如下：

使用sobel算子对掌纹灰度图像进行边缘提取。

除去手掌的边界，仅保留三条主干线。

其中，所述步骤S302的“生长”方法具体实施如下：

设定主干线的一小段为连通面积S，其最远端一点为P1（x1,y1）,最近端一点为P2(x2,y2)，L是连通面积的长。

计算连通面积的长。计算连通面积的宽W，宽度取平均宽度，即连通连通面积S与L的比值。计算经过点P1和点P2的直线y=f(x)。

沿P1P2直线方向将小椭圆连通面积分别上和向下以平均宽度伸长“生长”，其中伸长的长度是线段P1P2的一半。

其中，所述步骤S303所述的细化具体实施如下：

经过“生长”运算后的图像除去面积较小的连通区域；

细化，得到清晰连贯的主干线。

其中，所述步骤S4包括：

S401：根据八卦图分析找到主干线上的16个关键点，将这些关键点连线得到九个感兴趣区域；

S402：判断图像上的点所属的图片，分割出图像上的图形；

其中，所述步骤S402判断图像上的点所属的图片的方法如下：

每一个S区域可以看做是有4条直线围成的四边形。设与为对应边，与为对应边。如果点属于区域S，则既满足也满足。

其中，所述步骤S5包括：

S501：使用霍夫变换方法，建立对十字交点描述方程，提取“十”状异常纹和“米”状异常纹；

S502：观察累加器峰的个数判断是否为“十”状异常纹和“米”状异常纹交叉点,从而提取定位出某个区域中的“十”字异常纹和“米”状异常纹。

其中，所述步骤S501的“十”状异常纹和“米”状异常纹提取算法推导说明如下：

在直角坐标系下直线L方程的笛卡尔形式为：，其中，θ是倾斜角。如果在直线上，那么将满足直线L方程的笛卡尔形式，即，可以得到参数b的表达式 ,则化简的直线L的方程为。

由于P(x,y)与是一一对应关系，即点P的空间与倾斜角空间是相互对应的。如果图像上的任一点 P(x,y)在直线上，那么带入化简的直线方程将满足等式。

其中，所述步骤S502由累加器峰个数识别“十”状纹和“米”状异常纹的方法说明如下：

若在两条直线的相交点上，那么在从0到180变化时将会出现两个高峰，说明在这两个倾斜角下都有直线通过这个点，说明P点处存在“十”状异常纹。

若在三条直线的相交点上，那么在从0到180变化时将会出现三个高峰，说明在这三个倾斜角下都有直线通过这个点，说明P点处存在“米”状异常纹。

若是一条直线上的点，那么在从0到180变化时将会只出现一个高峰，对应的值为过的这条直线的倾角，说明P点处不存在“十”状异常纹。

若不是任意一条直线上的点，那么在从0到180变化时将不会会出现高峰，说明P点处不存在“十”状异常纹。

提取岛形纹时，需要对一幅采集的彩色图像分别提取其RGB三个颜色的分量，形成三个矩阵，R，G和B矩阵，对其中两两分量之间的差值的平方求和得到F矩阵。

识别岛形纹时，从矩阵F中选取其中最大的一个数值max，令f=max/255，对矩阵F中的每个分量都除以f，经过运算后，F矩阵中的每个分量的值都在0～255之间，经过大量的实验得到结论，F矩阵中分量的值在150～200之间的点所对应的区域为岛型纹区域。

另一方面，还提供掌纹指导系统，包括：

掌纹图像采集模块：用于通过掌纹采集台获取清晰完整的掌纹图像；

图像预处理模块：计算机对采集到的掌纹图像灰度化，二值化，平滑图像的边缘。

特征提取模块：提取手掌的轮廓和主干线的边缘，并进行“生长”和细化。

异常纹提取识别模块：根据八卦图将掌部分割成九大区域，分区域搜索识别异常纹；

输出模块：根据异常纹出现的区域位置，给出对应掌纹指导。

图1是依据本发明一种掌纹提取识别方法100的流程图。如图1所示，方法100开始于步骤102。

然后，在下一步骤104执行采集步骤，包括通过掌纹采集台采集到用户的掌纹，再对采集到的手掌图像做预处理：

手掌（左手右手均可）五指自然张开平置于采集台上，在自然光条件下无曝光的采集手掌图像；

在具体实现过程中，预处理步骤包括：

将采集到的彩色掌纹图像灰度化。使用matlab软件读取一幅采集到的彩色掌纹图像，使用matlab图像处理工具箱中rgb2gray（）函数就可以将这幅彩色图像转化为灰度图像；

灰度图像二值化。灰度图像二值化就是将256个灰度等级（灰度值的取值范围是0到255）的灰度图像通过适当的阈值选取，把图像上的像素点的灰度值重新设置为0或255，也就是将整个图像呈现出只有黑白两种颜色的效果。使用matlab图像处理工具箱中imhist（）函数做出灰度图像的灰度直方图。灰度直方图的横轴表示的是灰度图像的灰度值范围，是从0到255，纵轴表示的是某个灰度值在图像上出现的次数。由于手掌灰度图像前景单一（只有手掌），背景简单，因此手掌灰度图像的灰度直方图分布均呈现显著的双峰特点。所以选取灰度直方图两个峰之间的谷底中间部分对应的任一横轴值作为二值化分割的门限阈值，把灰度图像上灰度值大于这一门限阈值的的点重置为255（白），小于这一门限阈值的的点重置为0（黑），这样就将灰度图像转化为二值图像，即图像背景为黑色，图像前景手掌为白色的图像；

平滑图像。由于灰度图像在二值化后所得到二值图像的边界往往是很不平滑的，因此为了得到比较光滑的手掌轮廓线，需要对二值化后的图像作平滑处理，使图像边缘尖锐的“毛刺”变平缓。由于采集的手掌图像内容简单，细节少，故采用简单的中值滤波法，使用33的正方形中值滤波窗口，它能够在滤除噪声的同时保持边缘不被模糊。

使用轮廓跟踪算法提取二值图像的轮廓，即手掌轮廓。

图4-图8是任取一幅采集的彩色掌纹图像的预处理过程。其中附图4是对这幅彩色掌纹图像灰度化后的掌纹灰度图像；附图5是对掌纹灰度图像作出的灰度直方图，灰度直方图明显成双峰形式，本例的背景灰度值在5～55之间，前景目标手掌的灰度值在95～200之间，可以选取两峰之间的谷底中间的任意值（例如80）做门限阈值；附图6是二值化后的手掌二值图像；附图7的左侧图是手掌二值图像边缘的“毛刺”的放大图，右侧是使用中值滤波平滑后图像的边缘放大图；附图8是平滑后二值图像的轮廓。

随后，在下一步骤106执行轮廓特征点提取，包括提取手掌轮廓的指根点和指尖点。

在具体实现过程中，轮廓特征点的提取步骤包括：

任取一幅按照前述预处理步骤获得的手掌轮廓图像。

定义手掌轮廓靠近大拇指的手腕处的边缘起始点为a点，另一侧手腕处的边缘起始点为b点。取a点与b点的中点点为坐标系的原点，以过点的水平方向为横轴，以过点的竖直方向为纵轴建立手掌轮廓图像的坐标系，如附图9所示；

提取轮廓特征点之前，需要先定义下各个指根点和指尖点。指尖点是各个手指尖端轮廓上离点最远的点，有五个；指根点就是相邻两根手指之间的轮廓上距离点最近的点，有四个。具体的各个指尖点和指根点的位置如附图9所标记：其中T1～T5分别是大拇指指尖点，食指指尖点，中指指尖点，无名指指尖点和小拇指指尖点；B1～B4分别是大拇指指根点，食指指根点，中指指根点和无名指指根点。

找这些指尖点和指根点位置的方法。首先定义a点为手掌轮廓的第1个点，顺时针沿手掌轮廓依次为第2个点，第3个点，……，第n个点，b点是手掌轮廓的最后一个点。为了得到各个指根点和指尖点的位置，要根据两点间的欧式距离平方公式依次顺序计算手掌轮廓上每个点到点的欧式平方距离L，作出第n个点（n=1,2,3，…）与此点到点的欧式平方距离L之间的曲线关系L（n），如附图10所示，其中曲线的第一个局部最大值t1对应的是大拇指指尖点T1，第一个局部最小值b1对应的是大拇指指根点B1；第二个局部最大值t2对应的是食指指尖点T2，第二个局部最小值b2对应的是食指指根点B2；第三个局部最大值t3对应的是中指指尖点T3，第三个局部最小值b3对应的是中指指根点B3；第四个局部最大值t4对应的是无名指指尖点T4，第四个局部最小值b4对应的是无名指指根点B4；第五个局部最大值t5对应的是小拇指指尖点T5。

由于各个指尖点(T1～T5)和指根点（B1～B4）分别对应L(n)曲线上的各个局部最大值点（t1～t5）和局部最小值点(b1～b4)，因此为了求局部极值，需要对L（n）曲线求导。求导曲线如附图11所示，即导数为零的点的位置分别依次为大拇指指尖点（T1），大拇指指根点（B1），食指指尖点（T2），食指指根点（B2），中指指尖点（T3），中指指根点（B3），无名指指尖点（T4），无名指指根点（B4），小拇指指尖点（T5）。

随后，在下一步骤108执行主干线提取，包括对掌纹图像进行主干线的粗提取和“生长”运算。

在具体实现过程中，主干线的粗提取步骤包括：

使用Sobel算子选取合适的阈值对一幅手掌灰度图像进行边缘检测，阈值的选取标准为，能使检测后的图像主干线尽量清晰连贯且噪声点较少，例如附图12所使用的sobel算子的阈值为0.019。为了去除噪声点的干扰，需要使用形态学方法滤除联通面积小于主干线断点的噪声点如附图13所示；为了下一步针对主干线的“生长”连接，需要去除手掌轮廓边缘，仅保留三条断续的主干线，如附图14所示。

在具体实现过程中，“生长”算法的步骤包括：

由于上一个步骤中粗提取的主干线是间断的，不连续的，所以需要用一种方法将断续的主干线连接起来。首先建立模型。任取断续主干线中的一小段，这一小段可以近似看作一个小椭圆的连通面积，据此建立“生长”模型如附图15。计算这个小椭圆连通面积的长度P1P2，连通面积的宽度取平均宽度，即连通面积与长度P1P2的比值；沿P1P2直线方向将小椭圆连通面积分别上和向下以平均宽度伸长“生长”，其中伸长的长度是线段P1P2的一半。按照这种方法对粗提取的主干线中的所有断续的小段进行“生长”连接。

经过“生长”后的图像使用形态学方法滤去三条主干线以外的噪声点，只剩下清晰的三条主线，如附图16所示。细化后得到清晰连贯的三条主干线与原手掌轮廓相叠加得到的图像为下一步手掌的区域分割做准备。

在具体实现过程中，提取主干线上的特征点步骤包括：

按附图17的手掌掌纹对比图将手掌部划分为对应不同的九块区域。为了能让计算机也将手掌区域分割成附图17的九块区域，首先要根据附图17的区域形状在手掌轮廓与三条主线叠加图（如附图18）上搜索出分割所需的定位关键点P1～P16 。搜索方式如下：

P1：智慧线与手掌桡侧轮廓边缘的交点，即智慧线的起始点；

P3：食指的指根点；

P2：为食指轮廓上与P3关于食指中线的对称点；

P7：为感情线与手掌尺侧轮廓边缘的交点；

P4：点P4在线段P1P7上，且线段P1P4的长度是线段P1P7的1/4，由此关系确定点P4的位置；

P5：点P5在线段P1P7上，且线段P1P5的长度是线段P1P7的3/4，由此关系确定点P5的位置；

P8：为无名指指根点关于小拇指中线的对称点；

P6：为中指指根点与无名指指根点连线的中点；

P9：大拇指指根点；

P13：生命线靠近手腕处的端点；

P10：靠近P13的生命线的1/4的点；

P11：从智慧线起始点开始的智慧线的5/6的点；

P12：点P7与手掌右手腕轮廓起始点b之间线的中点；

P14：靠近b点的ab长度1/4的点；

P15：靠近a点的ab长度1/5的点；

P16：过P9作P7P12的平行线，交于轮廓线上的点为P9。

在具体实现过程中，区域分割步骤包括：

主干线上的特征点连线，将掌部划分成S1～S9九块区域，如附图19所示，分割出S1～S9九块区域图像上的图形。

分割出的图形参见附图20。

随后，在下一步骤112执行分别对九块区域搜索识别“十”状异常纹，识别“米”状异常纹和岛形纹。

在具体实现过程中，“十”状异常纹提取算法步骤包括：

建立“十”状纹提取方程。建立图像上的任一点 P(x,y)与倾斜角的一一对应关系；

投票。取的变化区间，使用P（x，y）对其进行投票；

分别搜索分割出的九块区域，对每个区域中的点都进行投票以提取所有的“十”状异常纹；

在具体实现过程中，“十”状异常纹识别算法步骤包括：

观察累加器峰的个数。若在从0到180变化时出现两个高峰，说明在两条直线的相交点，说明此处存在“十”状纹；若在从0到180变化时将会只出现一个高峰，说明是一条直线上的点，对应的值为过的这条直线的倾角；若在从0到180变化时不出现明显高峰，说明不是任意一条直线上的点，即没有直线经过。

三种情况下累加器的形状参见附图21～23，其中图21是累加器出现两个峰时，说明此处存在“十”状异常纹；图22是累加器出现一个峰时，说明此处不存在“十”状异常纹，只有一条直线；图23是累加器无明显高峰时，说明此处处不存在“十”状异常纹。

同理，因为“米”状异常是三条直线相交，即在“十”状异常纹基础上多一条相交的直线穿过十字交叉的交点，因此若在从0到180变化时累加器出现三个高峰，说明此处存在“米”状纹；若在从0到180变化时将会只出现一个高峰，或不出现明显高峰，说明此处无“米”状纹。分别搜索分割出的九块区域，对每个区域中的点都进行投票以提取所有的“米”状异常纹。附图24为待测区域出现“米”状纹时累加器的形状。

在具体实现过程中，岛形纹提取识别算法步骤包括：

对一幅彩色图像，分别提取其RGB三个颜色的分量，形成三个矩阵，R，G和B矩阵，对其中两两分量之间的差值的平方求和得到F矩阵。公式如下：

在矩阵F中，选取其中最大的一个数值max，令f=max/255，对矩阵F中的每个分量都除以f，经过运算后，F矩阵中的每个分量的值都在0～255之间，经过大量的实验得到结论，F矩阵中分量的值在150～200之间的点所对应的区域为岛型纹区域。

最后，方法100结束于步骤114。

Claims

1.一种掌纹提取识别方法，其特征在于：

采集：将采集到的彩色掌纹图像灰度化：使用matlab读取一幅RGB模式的手掌图片，使用matlab图像处理工具箱中rgb2gray（）函数将图片模式转化为灰度图；

使用33的正方形中值滤波窗口对图像进行中值滤波；

使用边界跟踪算法提取手掌图像的轮廓；

其中距离导数方法如下：

建立手掌轮廓图像的坐标系，以手腕的两个边缘起始点a和b的中点O作为计算距离的坐标原点；

按照公式（1）计算手掌轮廓上的每一点到O的欧式平方距离LA；

（1）

其中x是手掌轮廓上的任意一点横坐标，y是手掌轮廓上的任意一点纵坐标；是中点O的横坐标，是中点O的纵坐标；

LA曲线求导，得到所有的拐点；

“生长”算法的步骤包括：

计算连通面积的长；

宽度取平均宽度，即连通连通面积S与L的比值；

设定在增量ZX长度为1/2 L,计算过P1（x1,y1）,P2(x2,y2)的直线y=f(x)；

计算上半部分的生长y=f(x),其中；计算y值，以平均宽度向上下延拓达到宽度增长；同理“生长”下半部分；

d、获得主干线的特征点，对掌部掌纹进行区域分割：根据八卦图分析找到主干线上的16个关键点，将这些关键点连线得到九个区域，判断图像上的点所属的图片，分割出图像上的图形；判断图像上的点所属的图片的方法如下：

每一个S区域可以看做是有4条直线围成的四边形；设与为对应边，与为对应边；如果点属于区域S，则既满足也满足；

e、搜索识别各个分割出的小区域内的异常纹；异常纹是指“十”状异常纹和“米”状异常纹；

使用霍夫变换方法，建立对十字交点描述方程，提取“十”状异常纹；

所述的“十”状异常纹提取算法推导说明如下：在直角坐标系下直线LB方程的笛卡尔形式为：，其中，θ是倾斜角；如果在直线上，那么将满足直线LB方程的笛卡尔形式，即，可以得到参数b的表达式 ,则化简的直线LB的方程为；

由于P(x,y)与是一一对应关系，即点P的空间与倾斜角空间是相互对应的；如果图像上的任一点 P(x,y)在直线上，那么带入化简的直线方程将满足等式；

其中，由累加器峰个数识别“十”状纹和“米”状异常纹的方法说明如下：

若在两条直线的相交点上，那么在从0到180变化时将会出现两个高峰，说明在这两个倾斜角下都有直线通过这个点，说明P点处存在“十”状异常纹；

若在三条直线的相交点上，那么在从0到180变化时将会出现三个高峰，说明在这三个倾斜角下都有直线通过这个点，说明P点处存在“米”状异常纹；

若是一条直线上的点，那么在从0到180变化时将会只出现一个高峰，对应的值为过的这条直线的倾角，说明P点处不存在“十”状异常纹；

2.权利要求1所述掌纹提取识别方法，其特征在于：其中采集掌纹的装置是：在机台（16）安装有立支架（8），横支架（15）下端安装的上支架（1）插在立支架（8）内部，并且上支架（1）上的插销对应立支架（8）的插孔（2）；在机台（16）上的两个立支架（8）之间有固定手臂夹板（7）和活动手臂夹板（3），固定手臂夹板（7）和活动手臂夹板（3）之间是手臂放置空间（6），活动手臂夹板（3）通过手臂夹板弹簧（4）连接在固定手臂夹板支架（5）上；在横支架（15）上有固定相机夹板（9）和活动相机夹板（11），活动相机夹板（11）通过相机夹板弹簧（12）连接在固定相机夹板支架（13）上；在横支架（15）对应相机（10）的镜头部位开有摄制孔（14）。