CN103425979A - 手形认证方法 - Google Patents

Abstract

本发明提出的是一种手形认证方法。本发明在白色采集背景下进行手形认证，对环境的要求更低，其适用性更好。白色背景下的手形图像存在大量阴影，本发明在手掌处提取样本区域，基于样本的灰度特性实现手形轮廓分割，分割效果好，可以避免阴影的影响。分割后提取手形的形状上下文特性进行手形认证。本发明提出一种新是手形轮廓点采样方法，通过局部均匀采样得到手形轮廓点集，该采样方法充分利用了手形轮廓特点，可以提高认证准确率。本发明的认证等错误率为3.150％，平均认证时间为3s，满足实际应用的需要。

Description

手形认证方法

技术领域

本发明涉及的是一种手形认证方法，具体地说是在白色背景下采集手形图像，基于手形样本特征实现手形分割，然后利用形状上下文特征实现手形认证的方法。

背景技术

在现实生活中，许多场合需要对人的身份进行识别。网络环境下，密码作为身份识别的标志，被广泛采用。但是密码容易遗忘，也有被人窃取的可能。为了提高网络的安全性，人们不得不采用位数更长算法更复杂的认识技术。生物识别技术就是利用生物特征或行为特征对个人进行身份识别，由于人体特征具有不可复制的特性，这一技术的安全系数较传统意义上的身份验证机制有很大的提高。

手形认证是一种生物识别技术。手形的测量比较容易实现，对图像获取设备的要求较低，手形的处理相对也比较简单，在所有生物特征识别方法中手形认证的速度是最快的。然而手形特征并不具有高度的唯一性，不能用于识别，但是对于一般的认证应用，它足可以满足要求。

目前手形认证主要有两种方法：基于特征矢量的方法和基于点匹配的方法。(1)基于特征矢量的手形认证：大多数的手形认证系统都是基于这种方法，典型的手形特征包括：手指的长度和宽度、手掌或手指的长宽比、手掌的厚度、手指的连接模式等。用户的手形表示为由这些特征构成的矢量，认证过程就是计算参考特征矢量与被测手形的特征矢量之间的距离，并与给定的阈值进行比较判别。(2)基于点匹配的手形认证：上面方法的优点是简单快速，但是需要用户很好地配合，否则其性能会大大下降。采用点匹配的方法可以提高系统的鲁棒性，但这是以增加计算量为代价的。点匹配方法的一般过程为：抽取手部和手指的轮廓曲线；应用点匹配方法，进行手指的匹配；计算匹配参数并由此决定两个手形是否来自同一人。

本专利提出的是一种手形认证方法。本专利在白色采集背景下进行手形认证，对环境的要求更低，其适用性更好。白色背景下的手形图像存在大量阴影，本专利在手掌处提取样本区域，基于样本的灰度特性实现手形轮廓分割，分割效果好，可以避免阴影的影响。分割后提取手形的形状上下文特性进行手形认证。本专利提出一种新是手形轮廓点采样方法，通过局部均匀采样得到手形轮廓点集，该采样方法充分利用了手形轮廓特点，可以提高认证准确率。本专利的认证等错误率为3.150％，平均认证时间为3s，满足实际应用的需要。

发明内容

本发明的目的在于提供一种手形认证方法：首先基于手形样本特性对手形进行分割，分割后对手形位置进行调整，然后提取手形轮廓的形状上下文特征，最后利用提取的特征实现手形认证。

本发明的具体实现步骤如下：

1、手形样本提取：首先对彩色原图进行灰度化处理，然后进行简单的阈值分割，得到手形的二值图像。计算二值图像中物体的质心点作为样本点。在样本点附近的50x50区域内提取样本区域，用以手形分割。

2、手形分割：基于提取到的手形样本区域分割手形，计算所有手形图像的像素点与样本区域间的灰度差异。得到一个距离矩阵D。矩阵D中数值越小说明该像素点为手形区域的可能性更大。通过实验调整来设定一个阈值，对距离矩阵D进行判断，小于阈值的像素点为手形像素，其余为背景像素，从而实现手形分割。

3、手形位置调整：采集的手形图像方向任意，需要将其调整到统一的位置。把手形轮廓看成一个椭圆，计算这个椭圆长轴与水平X轴的夹角θ，即此时θ为手形图像偏离水平位置的角度。对其旋转角度θ，以实现手形位置的调整。

4、手形轮廓点采样：本专利提出一种局部均匀的采样方式，相比于均匀采样具有更高的认证准确率。

局部均匀采样过程如下：假定A、B两人已在认证系统中注册，现在需要认证A′、B′是否为系统中注册用户A、B。首先调用A的手形图像，对手形轮廓均匀采样得到点集P，同时统计四个手指上采样点的个数：N₁、N₂、N₃和N₄。对于任何一个声称身份为A的手形，都按照相同的个数分别在四个手指上均匀采样，得到点集P′。这样的采样方式只在每个手指上均匀采样，即为局部均匀采样。

同一个人的手形，如A、A′，当对A′按照局部均匀采样时，其点集中的点距接近于均匀的，此时A的采样点集中的点距也是均匀的，即局部均匀采样不会增大类内差异。不同人的手形，如A、B′，当对B′按照相同个数进行局部均匀采样时，得到的点集中的点距是非均匀的，而此时A的采样点集中的点距是均匀的，即局部均匀采样能够增大类间差异。

5、手形特征提取：对手形采样会提取手形的形状上下文特征进行手形认证。对于来自不同手形的p_i和q_j两个点，用如公式(1)的χ²分布来计算两点间的匹配损耗C_ij。

$C_{\mathrm{ij}}\≡C(p_i,q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)}---\left(1\right)$

其中h_i，h_j代表p_i和q_j两点的形状上下文特征。

6、手形认证：手形认证的目的是为了判定两个手形图像是否来自于同一个人，认证过程是一对一进行的。对于两个手形图像，首先分别进行图像分割并截取手形轮廓，然后统计两个手形的LSC特性，最后利用动态规划(Dynamic Programming，DP)计算两个手形间的匹配损耗。

附图说明

图1手形的方向调整示意图

a测量夹角θ

b第1次旋转

c手掌位置确定

d第2次旋转

图2手形认证过程

具体实施方式

利用本发明的手形认证方法实现手形认证。实验的手形图库共包含130个人，每人3张图片，其中1张作为注册手形，2张作为登录手形进行测试。由类内进行260次匹配计算错误拒绝率(FRR，fal se acceptance rate)；类间进行2600次匹配得出错误接收率(FAR，falserejection rate)；在FRR和FAR的基础上计算等错误率(EER，equal error rate)。认证结果如下表所列。

表认证结果

dist	5	10	15	20	25	20	20	20	20
										theta	12	12	12	12	12	6	18	24	30
EER(％)	4.331	3.937	3.458	3.150	3.390	3.645	3.964	4.329	4.331

由以上数据可以看出对手形认证的等错误率最小为3.150％，认证的正确率可以达到96.850％以上，即根据不同的应用环境对判断阈值进行调整，其认证的正确接受率或者正确拒绝率可以达到96.850％以上。

实验结果表明：本发明的方法基于样本区域特性实现手形图像分割，相比于其他传统方法具有更好的分割效果，同时有效的避免了阴影的影响。经130个人手形分割的实验证明，分割结果具有很好的准确性和鲁棒性。利用形状上下文特征实现手形认证过程，其准确率高，计算简单，满足实际应用的需求。

Claims (1)

1.一种手形认证方法，所述方法包括以下步骤：

a、手形样本提取：首先对彩色原图进行灰度化处理，然后进行简单的阈值分割，得到手形的二值图像，计算二值图像中物体的质心点作为样本点，在样本点附近的50x50区域内提取样本区域，用以手形分割；

b、手形分割：基于提取到的手形样本区域分割手形，计算所有手形图像的像素点与样本区域间的灰度差异，得到一个距离矩阵D，矩阵D中数值越小说明该像素点为手形区域的可能性更大，通过实验调整来设定一个阈值，对距离矩阵D进行判断，小于阈值的像素点为手形像素，其余为背景像素，从而实现手形分割；

c、手形位置调整：采集的手形图像方向任意，需要将其调整到统一的位置，把手形轮廓看成一个椭圆，计算这个椭圆长轴与水平X轴的夹角θ，即此时θ为手形图像偏离水平位置的角度，对其旋转角度θ，以实现手形位置的调整；

d、手形轮廓点采样：本专利提出一种局部均匀的采样方式，相比于均匀采样具有更高的认证准确率，过程如下：假定A、B两人已在认证系统中注册，现在需要认证A′、B′是否为系统中注册用户A、B，首先调用A的手形图像，对手形轮廓均匀采样得到点集P，同时统计四个手指上采样点的个数：N₁、N₂、N₃和N₄，对于任何一个声称身份为A的手形，都按照相同的个数分别在四个手指上均匀采样，得到点集P′，这样的采样方式只在每个手指上均匀采样，即为局部均匀采样；同一个人的手形，如A、A′，当对A′按照局部均匀采样时，其点集中的点距接近于均匀的，此时A的采样点集中的点距也是均匀的，即局部均匀采样不会增大类内差异；不同人的手形，如A、B′，当对B′按照相同个数进行局部均匀采样时，得到的点集中的点距是非均匀的，而此时A的采样点集中的点距是均匀的，即局部均匀采样能够增大类间差异；

e、手形特征提取：对手形采样会提取手形的形状上下文特征进行手形认证，对于来自不同手形的p_i和q_j两个点，用如下公式的χ²分布来计算两点间的匹配损耗C_ij，

$C_{\mathrm{ij}}\≡C(p_i,q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)}$

其中h_i，h_j代表p_i和q_j两点的形状上下文特征；

f、手形认证：手形认证的目的是为了判定两个手形图像是否来自于同一个人，认证过程是一对一进行的，对于两个手形图像，首先分别进行图像分割并截取手形轮廓，然后统计两个手形的LSC特性，最后利用动态规划(Dynamic Programming，DP)计算两个手形间的匹配损耗。