CN103455803A - 基于迭代随机抽样一致算法的非接触式掌纹识别方法 - Google Patents
基于迭代随机抽样一致算法的非接触式掌纹识别方法 Download PDFInfo
- Publication number
- CN103455803A CN103455803A CN2013104120652A CN201310412065A CN103455803A CN 103455803 A CN103455803 A CN 103455803A CN 2013104120652 A CN2013104120652 A CN 2013104120652A CN 201310412065 A CN201310412065 A CN 201310412065A CN 103455803 A CN103455803 A CN 103455803A
- Authority
- CN
- China
- Prior art keywords
- point
- palm print
- sift
- random sampling
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出一种基于迭代随机抽样一致算法的非接触式掌纹识别方法。该方法通过掌纹图像预处理、尺度不变特征变换特征提取与匹配、外点排除等步骤,最终以匹配的SIFT特征点数量作为分数实现基于掌纹的身份认证或辨识。本发明要解决的问题是非接触式掌纹识别,所使用的掌纹图像不需要非常准确的对齐,因此掌纹图像可以在开放的环境中非接触采集,有利于提高掌纹识别的用户接受度。本发明应用SIFT特征,可以大大降低掌纹图像各种旋转、平移、尺度等线性变换以及其它非线性变换的影响。本发明应用I-RANSAC算法排除两幅掌纹图像SIFT特征点匹配中的外点,可以解决传统外点排除算法在非线性形变情况下丢失大量内点的问题。
Description
技术领域
本发明涉及一种基于迭代随机抽样一致(I-RANSAC)算法的非接触式掌纹识别方法。
背景技术
掌纹识别是近年来新兴的一种生物特征识别技术。它具有用户接受程度较好,识别精度较高的优点。
现有的掌纹特征提取和匹配方法通常需要待匹配的两幅掌纹图像较好的对齐,否则其识别精度将大受影响。目前解决掌纹图像对齐的最常用方法是设计一种专用掌纹图像采集设备,在采集图像时,用户将手掌置于设备之上,使用辅助定位装置限制手指和手掌的活动,以保证每次采集的掌纹图像能够较好的对齐。而这种方式的最大缺陷是大大降低了掌纹识别的用户接受程度。
解决这一问题的有效手段是使用非接触方式采集掌纹图像。但在非接触采集方式中,由于缺少了辅助定位装置,采集到的掌纹图像往往存在较明显的旋转、尺度、平移等线性变换以及其它非线性变换。这些变换即使经过感兴趣区域(ROI)提取也很难消除,进而影响非接触式掌纹识别的精度。
发明内容
基于以上不足之处,本发明提出一种基于迭代随机抽样一致(I-RANSAC)算法的非接触式掌纹识别方法。该方法通过掌纹图像预处理、尺度不变特征变换(SIFT)特征提取与匹配、外点排除等步骤,最终以匹配的SIFT特征点数量作为匹配度实现基于掌纹的身份认证或辨识。
本发明所采用的技术如下:
基于迭代随机抽样一致算法的非接触式掌纹识别方法,分为注册和识别两个阶段,
(1)注册阶段分为如下步骤:
(1.1)将用户提供的掌纹图像进行掌纹ROI提取,得到掌纹ROI图像;
(1.2)对掌纹ROI图像进行预处理以增强掌纹纹理;
(1.3)在预处理后的掌纹ROI图像上提取尺度不变特征变换SIFT特征,并存于特征数据库;
(2)识别阶段分为如下步骤:
(2.1)在用户提供的掌纹图像上进行掌纹ROI提取;
(2.2)对ROI图像进行预处理以增强掌纹纹理;
(2.3)在预处理后的掌纹ROI图像上提取尺度不变特征变换SIFT特征;
(2.4)将提取到的SIFT特征和数据库中已存的SIFT特征进行匹配,得到匹配的SIFT特征点;
(2.5)通过迭代随机抽样一致(I-RANSAC)算法排除外点;
(2.6)将排除外点后得到的匹配点数量作为匹配度,用于身份认证或辨识。本发明还具有如下特征:
1、所述的掌纹ROI图像进行预处理使用圆形Gabor滤波器,表示为:
其中,F是滤波器的中心频率,σ是高斯函数的标准差;
待预处理的掌纹图像为I,增强过程通过I与圆形Gabor滤波器进行卷积操作实现,如下式所示:
R=I*G
其中,G为圆形Gabor滤波器,*代表卷积操作。
2、所述的SIFT特征提取为如下步骤:
(1)通过使用不同尺度的高斯滤波器与掌纹图像进行卷积运算构造Gaussian尺度空间;
(2)通过对Gaussian尺度空间中相邻尺度的图像进行相减运算,形成Gaussian差分DoG空间,特征点通过检测DoG空间的局部极值点来确定;
(3)在特征点周围选定一个图像块,并计算这一图像块的梯度方向直方图HOG,将HOG的最大值所对应的方向作为该特征点的主方向;
(4)计算特征点的描述子,首先计算特征点周围图像块的HOG,然后利用该点的主方向将HOG进行方向归一化,就得到了该点的描述子。
3、所述的匹配的SIFT特征点为,当两个SIFT特征点描述子如果满足如下条件,则认为这两个SIFT特征点是匹配的:
dij<t·min(dik),k=1,2,…,N.k≠j
其中dij=||pi-qj||2为两个特征点pi和qj的描述子之间的欧式距离。
4、所述的基于I-RANSAC算法的排除外点步骤如下:
步骤(2)从外点集合中排除掉当前内点集合;
步骤(3)对外点集合应用RANSAC算法,得到新的内点集合,并更新当前内点集合为新得到的内点集合;
步骤(4)判断:如果当前内点集合为空,则结束;否则,将当前内点集合并入结果集合Sin;
步骤(5)判断:如果步骤(2)-(4)步的执行次数等于最大允许的模型数量m,则结束;否则转步骤(2);
其中I-RANSAC算法所需的输入为匹配的SIFT点集S和最大允许的模型数量m;输出为结果内点集合Sin。
本发明的特点是:
1)本发明要解决的问题是非接触式掌纹识别,所使用的掌纹图像不需要非常准确的对齐,因此掌纹图像可以在开放的环境中非接触采集,有利于提高掌纹识别的用户接受度。
2)本发明应用SIFT特征,可以大大降低掌纹图像各种旋转、平移、尺度等线性变换以及其它非线性变换的影响。
3)本发明应用I-RANSAC算法排除两幅掌纹图像SIFT特征点匹配中的外点,可以解决传统外点排除算法在非线性形变情况下丢失大量内点的问题。
附图说明
图1为圆形Gabor滤波器图;
图2为原始掌纹ROI图像和经过预处理的掌纹ROI图像;
图3为检测到的SIFT点图,左图为原始掌纹ROI图像,右图为经过预处理的掌纹ROI图像;
图4为匹配的SIFT特征点对图,左图为原型掌纹ROI图像,右图为查询掌纹ROI图像。
图5为被掌纹线分割成若干区域的掌纹ROI图。
图6为使用I-RANSAC算法进行外点排除的结果图,其中(a)图为原始匹配的SIFT特征点对;(b)图为模型1所对应的内点;(c)图为模型2所对应的内点;(d)图为使用I-RANSAC算法得到的最终内点。
具体实施方式
下面根据说明书附图举例做进一步说明:
实施例1
本发明分为注册和识别两个阶段。
一、注册阶段可以分为如下步骤:
1.将用户提供的掌纹图像(原型图像)进行掌纹ROI提取,得到掌纹ROI图像;
2.对ROI图像进行预处理以增强掌纹纹理;
3.在预处理后的掌纹ROI图像上提取尺度不变特征变换(SIFT)特征,并存于特征数据库;
二、识别阶段可以分为如下步骤:
1.在用户提供的掌纹图像(查询图像)上进行掌纹ROI提取;
2.对ROI图像进行预处理以增强掌纹纹理;
3.在预处理后的掌纹ROI图像上提取尺度不变特征变换(SIFT)特征;
4.将提取到的SIFT特征和数据库中已存的SIFT特征进行匹配,得到匹配的SIFT特征点;
5.通过迭代随机抽样一致迭代RANSAC算法排除外点;
6.将排除外点后得到的匹配点数量作为匹配度,用于身份认证或辨识。
实施例2
1.掌纹图像预处理
掌纹图像预处理的目的是增加检测到的SIFT特征点数量,以便可以利用更多的信息进行识别。本发明中使用圆形Gabor滤波器对掌纹图像进行预处理。圆形Gabor滤波器表示为:
其中,F是滤波器的中心频率,σ是高斯函数的标准差。本发明中所使用的圆形Gabor滤波器如图1所示。
待预处理的掌纹图像为I,增强过程通过I与圆形Gabor滤波器进行卷积操作实现,如下式所示:
R=I*G
其中,G为圆形Gabor滤波器,*代表卷积操作。
圆形Gabor滤波器可以增强掌纹纹理,且由于圆形Gabor滤波器是各向同性的,因此不受掌纹纹理的方向影响。图2所示为原始掌纹ROI图像和经过预处理的掌纹ROI图像。
2.SIFT特征提取与匹配
SIFT特征提取分为四个步骤:
1)通过使用不同尺度的高斯滤波器与掌纹图像进行卷积运算构造Gaussian尺度空间;
2)通过对Gaussian尺度空间中相邻尺度的图像进行相减运算,形成Gaussian差分(DoG)空间,特征点通过检测DoG空间的局部极值点来确定;
3)在特征点周围选定一个图像块,并计算这一图像块的梯度方向直方图(HOG),将HOG的最大值所对应的方向作为该特征点的主方向;
4)计算特征点的描述子,首先计算特征点周围图像块的HOG,然后利用该点的主方向将HOG进行方向归一化,就得到了该点的描述子。
图3所示为检测到的SIFT点。可以看出,通过预处理,可以大大增加检测到的SIFT点的数量。
当两个SIFT特征点描述子如果满足如下条件,则认为这两个SIFT特征点是匹配的:
dij<t·min(dik),k=1,2,…,N.k≠j
其中dij=||pi-qj||2为两个特征点pi和qj的描述子之间的欧式距离。图4所示的为匹配的SIFT特征点。
3.基于迭代随机抽样一致(I-RANSAC)算法的外点排除
在SIFT点匹配的结果中,不可避免地存在一些误匹配点,如图4所示。这些无匹配点是由于原始SIFT使用HOG作为描述子,而HOG对掌纹特征的描述能力不够强所导致。由于最终要以匹配上的SIFT点的数量作为匹配分数用于决策,因此需要删除匹配错误的点。
随机抽样一致(RANSAC)算法是在SIFT匹配后常用的一种排除外点方法。在RANSAC算法中,需要预先指定一个变换模型,当匹配的SIFT点对符合这个变换模型时,则认为这对SIFT点是正确匹配的(称为内点),否则认为是匹配错误的(称为外点)。通过这种方式,RANSAC算法可以将内点和外点区分开,达到排除外点的目的。
在大多数情况下,由于非线性变换难以建立模型,因此RANSAC算法中指定的变化模型都是线性变换(如单应)。在非接触式掌纹图像中通常会存在非线性变换,因此使用RANSAC算法进行外点排除时,只有符合RANSAC算法中指定的变换模型的SIFT点才可以保留下来,而其它点则被认为是外点被排除掉。而这些点很可能是正确匹配的,这样就损失了大量的信息,导致识别的精度受到影响。
通过观察发生形变的掌纹ROI图像,可以发现非线性形变通常是由于手掌的弯曲所致,整个手掌被掌纹线划分为若干个区域,而每个区域可以近似为一个平面,即每个区域只存在线性形变,如图5所示。这样,掌纹的非线性形变可以近似为分段线性形变。
在理想情况下,应对掌纹ROI图像按照导致形变的掌纹线进行分割,在每一个分割区域上分别应用RANSAC算法,以保留所有正确匹配的SIFT点。由于图像分割是一种复杂的图像处理技术,很难找到一种标准将掌纹ROI图像准确地分割开。为解决这一问题,本发明不对掌纹ROI图像进行精确的分割,而是在应用RANSAC算法得到内点后,直接对外点再一次应用RANSAC算法,得到符合另一变换模型的内点,以此类推,直到剩余的外点无法满足任何变换模型。上述过程是迭代过程,因此这一算法称为迭代RANSAC(I-RANSAC)算法。完整的I-RANSAC算法如算法1所示。
在算法1中,m控制最大允许的模型数目,即线性变换的数目。如果m的值取1,I-RANSAC算法将得到与RANSAC算法相同的结果。在本发明中,m值取3。图6显示了一组应用I-RANSAC算法进行外点排除的结果(2个模型)。其中(a)图为原始匹配的SIFT特征点对;(b)图为模型1所对应的内点;(c)图为模型2所对应的内点;(d)图为使用I-RANSAC算法得到的最终内点。
4.最终匹配分数的计算
经迭代随机抽样一致(I-RANSAC)算法排除外点后,将得到的内点数目作为最终的匹配分数用于识别。
Claims (5)
1.基于迭代随机抽样一致算法的非接触式掌纹识别方法,分为注册和识别两个阶段,其特征在于:
(1)注册阶段分为如下步骤:
(1.1)将用户提供的掌纹图像进行掌纹ROI提取,得到掌纹ROI图像;
(1.2)对掌纹ROI图像进行预处理以增强掌纹纹理;
(1.3)在预处理后的掌纹ROI图像上提取尺度不变特征变换SIFT特征,并存于特征数据库;
(2)识别阶段分为如下步骤:
(2.1)在用户提供的掌纹图像上进行掌纹ROI提取;
(2.2)对掌纹ROI图像进行预处理以增强掌纹纹理;
(2.3)在预处理后的掌纹ROI图像上提取尺度不变特征变换SIFT特征;
(2.4)将提取到的SIFT特征和数据库中已存的SIFT特征进行匹配,得到匹配的SIFT特征点;
(2.5)通过迭代随机抽样一致算法排除外点;
(2.6)将排除外点后得到的匹配点数量作为匹配度,用于身份认证或辨识。
2.根据权利要求1所述的基于迭代随机抽样一致算法的非接触式掌纹识别方法,其特征在于,所述的掌纹ROI图像进行预处理使用圆形Gabor滤波器,表示为:
其中,F是滤波器的中心频率,σ是高斯函数的标准差;
待预处理的掌纹图像为I,增强过程通过I与圆形Gabor滤波器进行卷积操作实现,如下式所示:
R=I*G
其中,G为圆形Gabor滤波器,*代表卷积操作。
3.根据权利要求1所述的基于迭代随机抽样一致算法的非接触式掌纹识别方法,其特征在于,所述的SIFT特征提取为如下步骤:
(1)通过使用不同尺度的高斯滤波器与掌纹图像进行卷积运算构造Gaussian尺度空间;
(2)通过对Gaussian尺度空间中相邻尺度的图像进行相减运算,形成Gaussian差分DoG空间,特征点通过检测DoG空间的局部极值点来确定;
(3)在特征点周围选定一个图像块,并计算这一图像块的梯度方向直方图HOG,将HOG的最大值所对应的方向作为该特征点的主方向;
(4)计算特征点的描述子,首先计算特征点周围图像块的HOG,然后利用该点的主方向将HOG进行方向归一化,就得到了该点的描述子。
4.根据权利要求1所述的基于迭代随机抽样一致算法的非接触式掌纹识别方法,其特征在于,所述的匹配的SIFT特征点为,当两个SIFT特征点描述子如果满足如下条件,则认为这两个SIFT特征点是匹配的:
dij<t·min(dik),k=1,2,…,N.k≠j
其中dij=||pi-qj||2为两个特征点pi和qj的描述子之间的欧式距离。
5.根据权利要求1所述的基于迭代随机抽样一致算法的非接触式掌纹识别方法,其特征在于,所述的基于I-RANSAC算法的排除外点步骤如下:
步骤(2)从外点集合中排除掉当前内点集合;
步骤(3)对外点集合应用RANSAC算法,得到新的内点集合,并更新当前内点集合为新得到的内点集合;
步骤(4)判断:如果当前内点集合为空,则结束;否则,将当前内点集合并入结果集合Sin;
步骤(5)判断:如果步骤(2)-(4)步的执行次数等于最大允许的模型数量m,则结束;否则转步骤(2);
其中I-RANSAC算法所需的输入为匹配的SIFT点集S和最大允许的模型数量m;输出为结果内点集合Sin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310412065.2A CN103455803B (zh) | 2013-09-04 | 2013-09-04 | 基于迭代随机抽样一致算法的非接触式掌纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310412065.2A CN103455803B (zh) | 2013-09-04 | 2013-09-04 | 基于迭代随机抽样一致算法的非接触式掌纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103455803A true CN103455803A (zh) | 2013-12-18 |
CN103455803B CN103455803B (zh) | 2017-01-18 |
Family
ID=49738147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310412065.2A Active CN103455803B (zh) | 2013-09-04 | 2013-09-04 | 基于迭代随机抽样一致算法的非接触式掌纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103455803B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097362A (zh) * | 2016-06-20 | 2016-11-09 | 中国科学院深圳先进技术研究院 | 一种x光图像中人工圆形标记的自动检测和定位方法 |
CN108509870A (zh) * | 2018-03-14 | 2018-09-07 | 安徽工大信息技术有限公司 | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 |
CN108764093A (zh) * | 2018-05-21 | 2018-11-06 | 中国人民解放军战略支援部队信息工程大学 | 基于相机的非接触指纹图像采集装置及方法 |
CN111639562A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种手掌感兴趣区域的智能定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329556A1 (en) * | 2009-06-26 | 2010-12-30 | Canon Kabushiki Kaisha | Image conversion method and apparatus, and pattern identification method and apparatus |
CN103077378A (zh) * | 2012-12-24 | 2013-05-01 | 西安电子科技大学 | 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统 |
-
2013
- 2013-09-04 CN CN201310412065.2A patent/CN103455803B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329556A1 (en) * | 2009-06-26 | 2010-12-30 | Canon Kabushiki Kaisha | Image conversion method and apparatus, and pattern identification method and apparatus |
CN103077378A (zh) * | 2012-12-24 | 2013-05-01 | 西安电子科技大学 | 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统 |
Non-Patent Citations (1)
Title |
---|
杨震群: "基于局部兴趣点和弹性图匹配的掌纹识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 20111, 15 December 2011 (2011-12-15), pages 138 - 1687 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097362A (zh) * | 2016-06-20 | 2016-11-09 | 中国科学院深圳先进技术研究院 | 一种x光图像中人工圆形标记的自动检测和定位方法 |
CN106097362B (zh) * | 2016-06-20 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 一种x光图像中人工圆形标记的自动检测和定位方法 |
CN108509870A (zh) * | 2018-03-14 | 2018-09-07 | 安徽工大信息技术有限公司 | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 |
CN108509870B (zh) * | 2018-03-14 | 2019-07-12 | 安徽工大信息技术有限公司 | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 |
CN108764093A (zh) * | 2018-05-21 | 2018-11-06 | 中国人民解放军战略支援部队信息工程大学 | 基于相机的非接触指纹图像采集装置及方法 |
CN111639562A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种手掌感兴趣区域的智能定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103455803B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793705B (zh) | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 | |
Li et al. | Principal line-based alignment refinement for palmprint recognition | |
Zhang et al. | Encoding local image patterns using Riesz transforms: With applications to palmprint and finger-knuckle-print recognition | |
CN102541954B (zh) | 一种商标检索方法及系统 | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN101536035A (zh) | 图像识别方法、图像识别装置以及图像识别程序 | |
CN103440480B (zh) | 基于掌纹图像配准的非接触掌纹识别方法 | |
CN105474234A (zh) | 一种掌静脉识别的方法和掌静脉识别装置 | |
CN103136520A (zh) | 基于pca-sc算法的形状匹配和目标识别方法 | |
Aravindan et al. | Robust partial fingerprint recognition using wavelet SIFT descriptors | |
Liu et al. | Sparse coding based orientation estimation for latent fingerprints | |
CN103455803A (zh) | 基于迭代随机抽样一致算法的非接触式掌纹识别方法 | |
Mokni et al. | Combining shape analysis and texture pattern for palmprint identification | |
Manickam et al. | Bio-medical and latent fingerprint enhancement and matching using advanced scalable soft computing models | |
Li et al. | Improve the two-phase test samples representation method for palmprint recognition | |
Stojanović et al. | Latent overlapped fingerprint separation: a review | |
Jain et al. | Fingerprint image analysis: role of orientation patch and ridge structure dictionaries | |
Muthusamy et al. | Steepest deep bipolar cascade correlation for finger-vein verification | |
Hossain et al. | Improved feature selection based on a mutual information measure for hyperspectral image classification | |
CN103324921A (zh) | 一种基于内指横纹的移动识别方法及其移动识别设备 | |
Agarwal et al. | A utility of pores as level 3 features in latent fingerprint identification | |
CN112801206B (zh) | 基于深度图嵌入网络与结构自学习的图像关键点匹配方法 | |
Maltoni et al. | Fingerprint matching | |
CN105701800A (zh) | 多模图像匹配方法 | |
CN101916363B (zh) | 一种虹膜特征设计与编码方法及虹膜识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |