CN103268483B - 开放式环境非接触采集下的掌纹识别方法 - Google Patents

Abstract

本发明提供一种开放式环境非接触采集下的掌纹识别方法。采用一种低分辨率的普通摄像头进行掌纹图像采集，要求人手自然张开、中指竖直向上放在摄像头前一定范围内。首先建立肤色模型将人手从复杂背景中提取出来；然后通过关键点定位找到指根点，并以此建立坐标系提取掌纹ROI；接着采用基于统计的纹理基元算法进行掌纹特征提取；最后利用余弦相似度进行特征匹配实现掌纹识别。本发明在特征提取过程中不用对掌纹ROI进行归一化，算法对光照具有一定的鲁棒性，能够在动态环境下达到理想的识别效果，计算速度较快，适应在线实时系统应用。

Description

开放式环境非接触采集下的掌纹识别方法

技术领域：本发明属于生物特征身份识别技术领域，具体涉及一种在复杂背景和具有一定光照变化条件下，采用非接触式图像采集的掌纹识别技术，也就是开放式环境非接触采集下的掌纹识别方法。

背景技术：当今社会，对个人身份鉴别的需求无处不在，并且与日俱增。传统的密码、证件等方式存在较大的安全隐患。寻找一种更为安全、更为方便以及低成本的个人身份识别方式势在必行。基于人体生物特征的身份识别技术具有独特的优势，也有很大的开发前景。近些年来也相继出现了人脸识别、指纹识别、虹膜识别等等进行身份鉴别的生物特征识别技术，在一些特定的领域得到了应用，并且因为各自独特的生物特征，在某些方面表现出及其出色的性能，但不可否认同样存在的一定的缺陷和应用领域限制，如人脸识别受到姿态、光照、眼镜等装饰限制使得识别率很难提高，应用环境受到限制；指纹识别虽然方便、简单，但由于信息较少，存在较大的安全隐患，而且是接触式采集，应用受到一定的限制；虹膜识别精度最高，但采集设备成本高，采集过程复杂，应用也受到较大限制。掌纹识别是近十多年来发展起来的一种生物特征识别技术，相比其它生物特征识别技术具有较大的优势：具有稳定的生物特征信息，可以低分辨率识别，采集设备成本低，而且可以进行非接触式采集，对人体无伤害、方便快捷，适合开发便携式设备。

当前的掌纹识别技术绝大多数都是采用接触式采集方式，而且一般采用封闭的环境，提供单一的背景，这样方便掌纹定位和ROI选取，同时也避免外界光照的影响，有助于特征提取。但这样在实际应用中受到了较大的限制，首先接触式采集存在公共环境卫生问题，用户接受程度受到较大限制；其次，接触在传感器表面的掌纹信息可能被盗用，存在安全隐患；再有封闭式单一背景采集环境使得采集设备体积较大，不方便便携式应用。当今，基于手部特征的识别系统已经朝着非接触式、便携式方向发展，用户不用将手接触、固定在某一位置，而且可以在开放式环境下应用，大大提高了使用的方便性。但这样的采集方式对于后续的识别带来了一定的困难：手的位置和方向不能固定，在掌纹定位方面就不能像接触式采集下那么容易；手离开采集镜头的距离不能固定，对于定焦镜头可能产生一定的模糊，势必会对识别率产生一定的影响；非封闭环境，外界光照会对特征信息带来影响；非单一背景对手部位置的定位和提取增加了困难。

掌纹特征提取是识别的关键，国内外许多学者在此方面进行了大量的研究，提出了许多算法，这些方法可以归纳为两大方面，一个是基于结构特征，另一个是基于统计规律。前者主要是提取掌纹的主线、褶皱等真实的结构来代表掌纹特征，这种方式虽然能比较直观提取掌纹特征，但往往需要高分辨率的图像才能提取到完整的结构，这必然会增加硬件成本同时也会增加计算量，不适合实时应用；后者是在掌纹的灰度图像上对像素的灰度值进行统计分析，找 到能够代表掌纹的统计规律作为特征，常用的方法包括主元分析（PCA）、Fisher线性判别（FLD）、独立主元分析（ICA）等，这些方法在一定领域都得到了较好的识别效果。但它们都需要大量的样本进行训练来构建特征空间，而且每来一个新样本都需要对整个数据进行重新训练，这就大大限制了实时掌纹识别系统的应用。另外，现有的特征提取方法都是在归一化的掌纹ROI上进行的，这就需要对图像进行缩放，必然会带来一定的误差。

发明内容：

发明目的：本发明提供一种开放式环境非接触采集下的掌纹识别方法，其目的是解决现有的掌纹识别技术对采集条件要求高，适用性差、稳定性以及效果不是很好的问题。

技术方案：本发明是通过以下技术方案来实现的：

一种开放式环境非接触采集下的掌纹识别方法，其特征在于：所述方法的具体步骤如下：

（1）人手图像采集；

将人手自然张开，中指竖直向上，放在摄像头前一定范围内；

（2）手轮廓提取

建立肤色模型，将手轮廓从复杂背景中提取出来；

（3）手轮廓关键特征点定位；

定位并提取食指、中指、无名指和小拇指指尖点，食指与中指间的指根点，无名指与小拇指间的指根点；

（4）掌纹ROI提取

利用提取的特征点建立新的坐标系，提取掌纹ROI；

（5）掌纹特征向量提取；

利用掌纹纹理的不规则性建立纹理基元来统计纹理变化特征，从而描述掌纹图像；

（6）掌纹特征匹配与识别

对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别。

所述的开放式环境是指具有复杂背景和一定光照变化条件下，人手自然张开，中指竖直向上，非接触、非固定位置进行图像采集。

“（6）”步骤中掌纹特征匹配与识别：

采用余弦相似度进行特征匹配，公式如下：

式中，x_s与x_t分别表示两幅掌纹图像的特征向量，D_st为它们的余弦相似度，D_st的值越大表明两幅图像越相似；对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别。

“（2）”步骤中的手轮廓提取为基于肤色模型的手轮廓获取，具体为：采用高斯分布来描述肤色分布模型，某像素的肤色相似度可表示为：

p＝exp[-0.5(x-m)^TC^-1(x-m)]

其中，x表示YCbCr空间中的一个像素值，m为空间中像素的均值；c为协方差矩阵；利用多幅不同光照、不同背景下的彩色图片可以计算出肤色相似度，最后通过设定一定大小的阈值就可以将手部图像从背景中分割出来。

特征点定位的具体步骤为：

1）在经过肤色模型分割出的二值图像上，采用轮廓跟踪算法从手图像最左端第一个轮廓点作为起始点，按顺时针方向跟踪手轮廓的8邻域链码信息，记录手轮廓边界点坐标；

2）寻找中指指尖点：由于在图像采集过程中要求中指竖直向上，那么中指指尖点应该在手图像的最上端；找到手轮廓坐标中横坐标最小的那一行即为中指指尖点所在行；若在该行中中指上端边缘存在多个像素为零的点，则取中间位置的那一点为中指指尖点I_z；

3）寻找无名指指尖点：从中指指尖点所在行的下一行开始向左对每一行进行逐点扫描，直到找到某行中像素点第二次为零为止，则该行即为无名指指尖点所在行；若在该行中无名指的上端边缘存在多个像素为零的点，则取最最左端的那一点为无名指时间点I_W；

4）寻找食指指尖点：按照步骤3）中的方法，从中指指尖点开始向右扫描，找到食指上端最右边像素为零的点确定为食指指尖点I_S；

5）寻找小拇指指尖点：按照步骤3）中的反复，从无名指指尖点开始先左扫描，找到小拇指上端最左边像素为零的点确定为小拇指指尖点I_X；

6）寻找食指与中指间的指根点：从食指指尖点为起点逆时针沿着手轮廓到中指指尖点终止，计算这段范围内所有手轮廓上的点到食指指尖点和中指指尖点距离的和，取和的最大值所对应的手轮廓点为食指与中指间的指根点I_g1；

7）寻找无名指与小拇指间的指根点：按照步骤6）中的办法计算得到无名指与小拇指间的指根点。

掌纹ROI是利用食指与中指之间的指跟点和无名指与小拇指之间的指跟点两点的连线及其中点垂线为坐标轴建立新的坐标系，采用相对长度L截取方形掌纹有效区域来获得。

在进行掌纹特征提取前，不需要对掌纹ROI进行归一化。

掌纹ROI特征提取过程如下：

ROI提取的具体步骤如下：

1）连接I_g1与I_g2两指根点，计算线段的长度，记为D；做出线段的垂直平分线，建立新的坐标系；

2）计算线段与水平方向的夹角α，将图像顺时针旋转α度角；

3）在旋转后的新图像中，距离线段向下D/5处，以长度D为边长截取方形区域；此方形区域即为掌纹感兴趣（ROI）区域；

特征提取过程如下：

首先建立一个由中心元素和周围8个相邻的像素点组成的3*3的纹理基元，分别比较这8个元素与中心元素灰度值，根据小于，等于和大于三种不同情况赋予不同的代表值，则这8个元素的代表值构成的向量即为一种纹理基元模式，当元素灰度值小于中心元素灰度值时赋予2，等于时赋予1，大于时赋予0.

为了方便表示纹理基元模式，给每一种纹理基元模式建立一个编号：

由于m_i有三种可能值，则在一幅图像中就可能出现是纹理基元模式的个数为3⁸；

将纹理基元以左到右、从上到下的顺序滑过整幅掌纹ROI，在每一幅图像中统计编号值为n的模式出现的频次F_j，定义这些频次按顺序组成的向量为

V＝{F_j,j＝0,1,2,…3⁸-1}

如果图像中不存在某个编号的模式，则该编号模式的频次为零，那么每个向量的长度都为3⁸；不同掌纹图像得到的向量V是不同的，故可以用V来表示一幅图像的特征；另外考虑到掌纹纹理的局部特征，可以将掌纹ROI进行分块特征提取，然后将这些分块的特征组合起来表示掌纹图像的特征。

优点及效果：本发明提供一种开放式环境非接触采集下的掌纹识别方法，其特征在于：所述方法的具体步骤如下：

（1）人手图像采集；

将人手自然张开，中指竖直向上，放在摄像头前一定范围内；

（2）手轮廓提取

建立肤色模型，将手轮廓从复杂背景中提取出来；

（3）手轮廓关键特征点定位；

定位并提取食指、中指、无名指和小拇指指尖点，食指与中指间的指根点，无名指与小拇指间的指根点；

（4）掌纹ROI提取

利用提取的特征点建立新的坐标系，提取掌纹ROI。

（5）掌纹特征向量提取；

利用掌纹纹理的不规则性建立纹理基元来统计纹理变化特征，从而描述掌纹图像。

（6）掌纹特征匹配与识别

对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别。

本发明掌纹识别技术对采集条件要求不高，可以适应绝大多数场合，实用性非常广泛，且稳定性高，对掌纹的识别效果非常理想。

附图说明：

图1是本发明的方法步骤的流程框图；

图2是本发明的经过肤色模型分割后的二值图，其中，a)为原始图，b)为二值图；

图3是本发明的手轮廓关键点定位图；

图4是本发明的掌纹ROI提取过程及特征提取示意图；

图5是本发明的纹理基元结构示意图

图6是本发明的掌纹ROI动态提取图；

图7是本发明不同采集距离下的识别结果；

具体实施方式：下面结合附图对本发明做进一步的说明：

本发明提供一种开放式环境非接触采集下的掌纹识别方法，所述方法的具体步骤如下：

（1）人手图像采集；

将人手自然张开，中指竖直向上，放在摄像头前一定范围内；

（2）手轮廓提取

建立肤色模型，将手轮廓从复杂背景中提取出来；

（3）手轮廓关键特征点定位；

定位并提取食指、中指、无名指和小拇指指尖点，食指与中指间的指根点，无名指与小拇指间的指根点；

（4）掌纹ROI提取

利用提取的特征点建立新的坐标系，提取掌纹ROI。

（5）掌纹特征向量提取；

利用掌纹纹理的不规则性建立纹理基元来统计纹理变化特征，从而描述掌纹图像。

（6）掌纹特征匹配与识别

采用余弦相似度进行特征匹配，公式如下：

式中，x_s与x_t分别表示两幅掌纹图像的特征向量，D_st为它们的余弦相似度，D_st的值越大表明两幅图像越相似。对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别。

图1是开放式环境非接触采集下的掌纹识别方法的流程图，包括人手图像采集、基于肤色模型的轮廓提取，关键点定位、掌纹ROI提取、建立基元模型、掌纹特征提取、匹配与识别等步骤。

其中图像采集过程中要求人手自然张开、中指竖直向上放在采集摄像头前一定距离内即可。该系统工作在白天办公室工作环境下，不需要单独提供光源，也不用限定单一背景。

图2是基于肤色模型的手轮廓获取

人类的肤色具有聚类性，利用统计学的原理可以采用高斯分布来描述肤色分布模型。某像素的肤色相似度可表示为：

p＝exp[-0.5(x-m)^TC^-1(x-m)] （2）

其中，x表示YCbCr空间中的一个像素值，m为空间中像素的均值；c为协方差矩阵。利用多幅不同光照、不同背景下的彩色图片可以计算出肤色相似度，最后通过设定一定大小的阈值就可以将手部图像从背景中分割出来。

图3是手轮廓关键点定位过程，其定位具体步骤如下：

1）在经过肤色模型分割出的二值图像上，采用轮廓跟踪算法从手图像最左端第一个轮廓点作为起始点，按顺时针方向跟踪手轮廓的8邻域链码信息，记录手轮廓边界点坐标。

2）寻找中指指尖点：由于在图像采集过程中要求中指竖直向上，那么中指指尖点应该在手图像的最上端。找到手轮廓坐标中横坐标最小的那一行即为中指指尖点所在行。若在该行中中指上端边缘存在多个像素为零的点，则取中间位置的那一点为中指指尖点I_z。

3）寻找无名指指尖点：从中指指尖点所在行的下一行开始向左对每一行进行逐点扫描，直到找到某行中像素点第二次为零为止，则该行即为无名指指尖点所在行。若在该行中无名指的上端边缘存在多个像素为零的点，则取最左端的那一点为无名指时间点I_W。

4）寻找食指指尖点：按照步骤3）中的方法，从中指指尖点开始向右扫描，找到食指上端最右边像素为零的点确定为食指指尖点I_S。

5）寻找小拇指指尖点：按照步骤3）中的反复，从无名指指尖点开始先左扫描，找到小拇指上端最左边像素为零的点确定为小拇指指尖点I_X。

6）寻找食指与中指间的指根点：从食指指尖点为起点逆时针沿着手轮廓到中指指尖点终止，计算这段范围内所有手轮廓上的点到食指指尖点和中指指尖点距离的和，取和的最大值所对应的手轮廓点为食指与中指间的指根点Ig1。

7）寻找无名指与小拇指间的指根点：按照步骤6）中的办法计算得到无名指与小拇指间的指根点

图4是掌纹ROI提取过程及特征提取示意图，ROI提取的具体步骤如下：

1）连接I_g1与I_g2两指根点，计算线段的长度，记为D。做出线段的垂直平分线，建立新的坐标系。

2）计算线段与水平方向的夹角α，将图像顺时针旋转α度角。

3）在旋转后的新图像中，距离线段向下D/5处，以长度D为边长截取方形区域。此方形区域即为掌纹感兴趣（ROI）区域。

特征提取具体过程如下：

1）纹理基元建立

纹理基元的结构为图像中一个相邻的3*3的方形区域，如图5所示。该结构由中心元素和周围8个相邻的像素点组成，数字表示在该结构中图像像素点的排列顺序。

一种纹理基元模式由中心元素和相邻的8个元素之间的关系来表示：分别比较这8个元素与中心元素灰度值，根据小于，等于和大于三种不同情况赋予不同的代表值，则这8个元素的代表值构成的向量即为一种纹理基元模式，记为：

M＝{m₁,m₂,…m₈} （3）

其中，m_i∈{0,1,2}，即当元素灰度值小于中心元素灰度值时赋予2，等于时赋予1，大于时赋予0.

为了方便表示纹理基元模式，给每一种纹理基元模式建立一个编号：

由于m_i有三种可能值，则在一幅图像中就可能出现是纹理基元模式的个数为3⁸。

2）特征提取

将纹理基元以左到右、从上到下的顺序滑过整幅掌纹ROI，在每一幅图像中统计编号值为n的模式出现的频次F_j，定义这些频次按顺序组成的向量为

V＝{F_j,j＝0,1,2,…3⁸-1} （5）

如果图像中不存在某个编号的模式，则该编号模式的频次为零，那么每个向量的长度都为3⁸。不同掌纹图像得到的向量V是不同的，故可以用V来表示一幅图像的特征。另外考虑到掌纹纹理的局部特征，可以将掌纹ROI进行分块特征提取，然后将这些分块的特征组合起来表示掌纹图像的特征。

实施例：

本发明采用的掌纹采集镜头为130万像素的普通摄像头，拍摄图像时要求人手自然张开，与镜头基本平行，中指竖直向上即可。采集到的彩色图像大小为640*480。

利用本发明所设计的采集系统建立了一个50人的小型数据库，其中包括30名男性的掌纹图像和20名女性的掌纹图像。每人在不同光照和不同背景下分别采集10张图片，这样采集到500副掌纹图像用于算法测试。

1）ROI提取实验

掌纹ROI的准确提取是进行掌纹识别的前提条件，根据本发明提出的手轮廓跟踪和掌纹ROI定位算法在多种实验环境下进行了一系列的实验：包括复杂的背景，如柜子、门窗、墙壁、电脑、窗帘等；包括采集者本身的人脸甚至是其它人的人脸在内（排除人脸的方法是根据人手部图像面积在整个图像所占比例较大）；人手距离镜头远近不同（当然人手不能距离镜头太远，否则信息太少影响识别率）；采集环境的照明条件有所变化等。其提取结果如图6所示。可以看出，本发明提出的算法在动态环境下性能很好，表现出较强的鲁棒性。

2）离线识别实验结果与分析

在所建立的50人的小型数据库上进行实验来验证本发明提出算法识别精度和执行效率。在每个人所采集的10副图像中任取3副作为已分好类的注册图像，其它7副作为测试图像。即每幅图像经过特征提取后分别与已注册图像进行匹配，然后进行识别分类。经过测试，在等错误率EER为2.98%，正确识别率CRR=97.85%，每副掌纹图像的平均特征提取时间为0.206s。上述实验是将掌纹ROI分成2*2块进行特征提取。本发明进行了分块特征提取研究对比实验，其结果如表1所示。实验结果表明，分块与未分块的特征提取时间相当，但分为2*2块时，识别率最高，未分块和分过多的块识别率降低，这表明局部特征对识别精度有影响，但本发明采用的是统计方法，分块过多会导致统计规律变差，所以也会使识别精度下降。另外分块过多会使得图像特征向量维数增高，大大降低匹配速度。

表1 分块特征提取比较

经研究发现，出现错误识别的手图像主要集中在两类图像上，一类是手离镜头过远，采集到的掌纹图像过小而丢失了过多的信息导致识别错误；另一类是手平面与镜头成像平面的夹角较大导致掌纹图像变形严重而出现识别错误。

采用本发明提出的纹理基元特征提取方法不用对图像进行归一化，都是在原始的掌纹ROI上进行特征提取，减少了由于归一化过程中带来的误差。本发明对掌纹ROI归一化和未归一化进行了特征提取对比实验，其结果如表2所示，特征提取采用掌纹ROI 2*2分块方法，实验结果表明，进行掌纹ROI归一化后，识别率略有下降。

表2 掌纹ROI归一化与未归一化对比结果

为了验证本发明提出的基于纹理基于特征提取方法的有效性，和一些常用的特征提取方法进行比较。由于没有符合本发明采集条件下的公开掌纹数据库，只能利用本发明所建立的50人数据库测试其它算法。对比了掌纹识别中一些常用的特征提取方法，包括PCA方法、2DGabor方法和2DFisher方法。这三种方法采用欧式距离进行特征匹配，它们在特征提取前首先要进行掌纹ROI归一化，本发明在实验中统一归一化为128*128大小。比较结果如表3所示。实验结果表明采用纹理基元进行特征提取，无论在提取时间还是识别率上都表现出了优势。

表3 不同特征提取方法下的识别结果比较

3）在线识别系统

接下来对本发明所开发的掌纹识别系统进行在线实时识别测试实验，即实时采集掌纹图像与数据库中所注册的图像进行一对多匹配。从采集一幅图像、基于肤色的手轮廓跟踪、掌纹ROI提取、特征提取到给出掌纹匹配识别结果，总共花费的时间为2.356s。表明采用该方法建立的掌纹识别系统能够适合在线实时应用。

由于非接触式采集方式无法固定手与摄像头的距离，接下来本发明进行了手与摄像头在不同距离下采集图像的识别实验。在数据库存在的用户中随机选择了20个人进行测试，让他们将手放在摄像头前不同距离进行识别测试，每一个人在每一个位置上进行5次测试，测试结果如图7所示。结果表明该系统在手与摄像头距离45-50cm附近采集手图像时识别率最高，在距离小35cm时由于距离太近而使手指超出图像范围无法进行ROI提取，就无法进行识别。而当采集距离大于55cm后，采集到的手图像逐渐缩小而使掌纹信息丢失过多导致识别率下降。

Claims (4)

1.一种开放式环境非接触采集下的掌纹识别方法，其特征在于：所述方法的具体步骤如下：

(1)人手图像采集；

将人手自然张开，中指竖直向上，放在摄像头前一定范围内；

(2)手轮廓提取

建立肤色模型，将手轮廓从复杂背景中提取出来；

(3)手轮廓关键特征点定位；

定位并提取食指、中指、无名指和小拇指指尖点，食指与中指间的指根点，无名指与小拇指间的指根点；

(4)掌纹ROI提取

利用提取的特征点建立新的坐标系，提取掌纹ROI；

(5)掌纹特征向量提取；

利用掌纹纹理的不规则性建立纹理基元来统计纹理变化特征，从而描述掌纹图像；

(6)掌纹特征匹配与识别

对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别；

所述的开放式环境是指具有复杂背景和一定光照变化条件下，人手自然张开，中指竖直向上，非接触、非固定位置进行图像采集；

(6)步骤中掌纹特征匹配与识别：

采用余弦相似度进行特征匹配，公式如下：

式中，x_s与x_t分别表示两幅掌纹图像的特征向量，D_st为它们的余弦相似度，D_st的值越大表明两幅图像越相似；对测试集中将所有样本分别与数据库中的已分类样本特征进行余弦相似度计算，把相似度最大的两幅图片归为一类，实现对掌纹图像的识别；

(2)步骤中的手轮廓提取为基于肤色模型的手轮廓获取，具体为：

采用高斯分布来描述肤色分布模型，某像素的肤色相似度可表示为：

p＝exp[-0.5(x-m)^TC^-1(x-m)]

其中，x表示YCbCr空间中的一个像素值，m为空间中像素的均值；c为协方差矩阵；利用多幅不同光照、不同背景下的彩色图片可以计算出肤色相似度，最后通过设定一定大小的阈值就可以将手部图像从背景中分割出来；

特征点定位的具体步骤为：

(3.1)、在经过肤色模型分割出的二值图像上，采用轮廓跟踪算法从手图像最左端第一个轮廓点作为起始点，按顺时针方向跟踪手轮廓的8邻域链码信息，记录手轮廓边界点坐标；

(3.2)、寻找中指指尖点：由于在图像采集过程中要求中指竖直向上，那么中指指尖点应该在手图像的最上端；找到手轮廓坐标中横坐标最小的那一行即为中指指尖点所在行；若在该行中中指上端边缘存在多个像素为零的点，则取中间位置的那一点为中指指尖点I_z；

(3.3)、寻找无名指指尖点：从中指指尖点所在行的下一行开始向左对每一行进行逐点扫描，直到找到某行中像素点第二次为零为止，则该行即为无名指指尖点所在行；若在该行中无名指的上端边缘存在多个像素为零的点，则取最最左端的那一点为无名指时间点I_W；

(3.4)、寻找食指指尖点：按照步骤(3.3)中的方法，从中指指尖点开始向右扫描，找到食指上端最右边像素为零的点确定为食指指尖点I_S；

(3.5)、寻找小拇指指尖点：按照步骤(3.3)中的反复，从无名指指尖点开始先左扫描，找到小拇指上端最左边像素为零的点确定为小拇指指尖点I_X；

(3.6)、寻找食指与中指间的指根点：从食指指尖点为起点逆时针沿着手轮廓到中指指尖点终止，计算这段范围内所有手轮廓上的点到食指指尖点和中指指尖点距离的和，取和的最大值所对应的手轮廓点为食指与中指间的指根点I_g1；

(3.7)、寻找无名指与小拇指间的指根点：按照步骤(3.6)中的办法计算得到无名指与小拇指间的指根点。

2.根据权利要求1所述的开放式环境非接触采集下的掌纹识别方法，其特征在于：掌纹ROI是利用食指与中指之间的指跟点和无名指与小拇指之间的指跟点两点的连线及其中点垂线为坐标轴建立新的坐标系，采用相对长度L截取方形掌纹有效区域来获得。

3.根据权利要求1所述的开放式环境非接触采集下的掌纹识别方法，其特征在于：在进行掌纹特征提取前，不需要对掌纹ROI进行归一化。

4.根据权利要求1所述的开放式环境非接触采集下的掌纹识别方法，其特征在于：掌纹ROI特征提取过程如下：

ROI提取的具体步骤如下：

(4.1)、连接I_g1与I_g2两指根点，计算线段的长度，记为D；做出线段的垂直平分线，建立新的坐标系；

(4.2)、计算线段与水平方向的夹角α，将图像顺时针旋转α度角；

(4.3)、在旋转后的新图像中，距离线段向下D/5处，以长度D为边长截取方形区域；此方形区域即为掌纹感兴趣(ROI)区域；

特征提取过程如下：

首先建立一个由中心元素和周围8个相邻的像素点组成的3*3的纹理基元，分别比较这8个元素与中心元素灰度值，根据小于，等于和大于三种不同情况赋予不同的代表值，则这8个元素的代表值构成的向量即为一种纹理基元模式，当元素灰度值小于中心元素灰度值时赋予2，等于时赋予1，大于时赋予0；

为了方便表示纹理基元模式，给每一种纹理基元模式建立一个编号：

由于m_i有三种可能值，则在一幅图像中就可能出现是纹理基元模式的个数为3⁸；

将纹理基元以左到右、从上到下的顺序滑过整幅掌纹ROI，在每一幅图像中统计编号值为n的模式出现的频次F_j，定义这些频次按顺序组成的向量为

V＝{F_j,j＝0,1,2,…3⁸-1}

如果图像中不存在某个编号的模式，则该编号模式的频次为零，那么每个向量的长度都为3⁸；不同掌纹图像得到的向量V是不同的，故可以用V来表示一幅图像的特征；另外考虑到掌纹纹理的局部特征，可以将掌纹ROI进行分块特征提取，然后将这些分块的特征组合起来表示掌纹图像的特征。