CN103593660B - 一种稳定特征图像下交叉梯度编码的掌纹识别方法 - Google Patents

Abstract

本发明属于身份识别技术领域，涉及一种稳定特征图像下交叉梯度编码的掌纹识别方法，先分别检测出掌纹图像中食指与中指、无名指与小指之间的角点，通过这两个角点形成的切线进行旋转矫正，分割出原始掌纹图像的感兴趣区域图像；再对感兴趣区域图像进行灰度归一化得到归一化后的掌纹图像后建立能量泛函模型并求解得到稳定特征图像，然后对稳定特征图像进行交叉梯度编码得到交叉梯度编码特征进行掌纹匹配识别；掌纹匹配结束后自动输出匹配结果；其识别方法简便，识别精度高，算法复杂度低，识别时间短，抗干扰性强。

Description

一种稳定特征图像下交叉梯度编码的掌纹识别方法

技术领域：

本发明属于身份识别技术领域，涉及一种基于人体生物特征的身份识别方法，特别是一种稳定特征图像下交叉梯度编码的掌纹识别方法。

背景技术：

在当今高度信息化的社会中，身份识别是加强信息和系统等安全性的基本方法之一，传统的身份识别技术，如使用钥匙、密码锁、ID卡等，具有不方便、不安全、不可靠等诸多缺点，而生物识别技术是克服这些缺点的有效途径。从1960年人们开始研究设计生物特征识别技术，2003年6月联合国国际民用航空组织已公布了其生物技术的应用规划，将在个人护照中加入生物特征，如指纹、虹膜、人脸识别等，其中指纹识别因其采集头可以更加小型化、扫描速度快等优点使得其应用范围最广，但人工操作比较耗时，而且指纹也可以通过手术或者一些有创手段得以改变或者破坏；每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性，因此不是最稳定和可靠的身份识别手段；虹膜是一种在眼睛中瞳孔内的织物状各色环状物，每一个虹膜都是独一无二的，使得其识别精度最高，但需要昂贵的摄像头聚焦，一个这样的摄像头的最低价为7000美元，而且眼睛极难读取，不能广泛应用；人脸识别独具的活性判别能力，导致他人无法以非活性的照片、木偶、蜡像乃至人头欺骗识别系统，无法伪冒，而且速度很快，不易被察觉，但人脸识别率受多因素影响，比如，人脸比对时，与系统中存储的人脸有出入，例如剃了胡子、换了发型、多了眼镜、变了表情都有可能引起比对失败，如果发生微小变化，系统可能会认证失败。

掌纹识别作为一项新兴的生物特征识别技术，较之其他生物识别技术拥有以下优点，一是掌纹的形态由遗传基因控制，即使由于某种原因表皮剥落，新生的掌纹纹线仍保持着原来的结构，具有一定的稳定性；二是手掌上包含几条大的主线和很多褶皱线，这种线特征是掌纹独有的，且比指纹拥有更多的纹线信息、比人脸拥有较明显地特征，使得掌纹更具区分性；三是掌纹的纹线特征可在低分辨率下较好地提取出来，因此，掌纹的采集可使用价格低廉的普通手机、数码照相机等，比虹膜更具普遍性；综上所述，掌纹具有稳定性强、特征明显、不易伪造、造价低等优点，拥有广泛的应用空间。基于掌纹的这些优点，掌纹识别方法受到国内外学者的广泛关注，通过较为深入的研究，取得了一些显著性的研究成果，根据掌纹特征的表示方法,大致将掌纹识别方法包括基于主线提取的方法、基于子空间的方法和基于编码的方法，其中，基于主线提取的方法的核心思想是将能反映出掌纹主要信息的主线作为特征进行识别，Duta等[N.Duta,A.Jain,and K.Mardia,“Matching of Palmprint”,Pattern Recognition Letters,vol.23,no.4,pp477-485,2001]从掌纹的纹线中提取点特征进行识别。Zhang等[L.Zhang,D.Zhang,“Characterization of palmprints by waveletsignatures via directional context modeling”,IEEE Transaction on Systems,Manand Cybernetics,Part B,vol.34,no.3,pp1335-1347,2004]采用小波对掌纹图像进行分解，然后使用方向建模的方法得到掌纹的主线特征；Wu等[X.Q.Wu，D.Zhang,and K.Q.Wang,“Palm line extraction and matching for personal authentication”,IEEETransaction on Systems,Man and Cybernetics,Part A,vol.36,no.5,pp978-987,2006]将掌纹纹线看作屋脊线，根据图像一阶导数与二阶导数来确定纹线位置；林森等[林森，苑玮琦，吴微，方婷，“基于离散余弦变换和主线分块能量的模糊掌纹识别”，光电子·激光，23卷,11期，2201-2206页，2012年]采用局部灰度值极小值法来提取主线；基于子空间的方法主要是通过将掌纹图像映射到低维空间上，提取能够最能够反映出图像特征的部分，消除对识别产生影响的图像特征，同时可达到图像降维的效果，Lu[G.M.Lu,D.Zhang,andK.Q.Wang,“palmprint recognition using eigenpalms features”,PatternRecognition Letter,vol.24,no.9,pp1463-1467,2003]提出了基于主成份分析（PCA）的掌纹识别方法，提取掌纹图像的特征掌进行识别；Wu[X.Q.Wu,D.Zhang,and K.Q Wang,“Fisherpalms based palmprint recognition”,Pattern Recognition Letter,vol.24,no.15,pp2829-2838,2003]使用线性判别法（LDA）提取掌纹的主要特征图像；桑海峰等[桑海峰，苑玮琦，张志佳，黄静，“基于二维主成份分析的掌纹识别研究”，仪器仪表学报，29卷，9期，1929-1933页，2008]提出了基于二维主成份分析的掌纹识别方法（2DPCA）；基于编码的方法的核心思想是使用滤波器对掌纹图像进行滤波，得到具有方向和尺度特征的掌纹图像，然后通过一些准则对得到的掌纹图像进行编码，Zhang[D.Zhang,W.Kong,J.You,andM.Wong,“Online palmprint identification”,IEEE Trans.Pattern Anal.MachineIntell,vol.25,no.9,pp1041-1050,2003]利用Gabor滤波器提取45°方向的掌纹特征，对滤波结果进行编码，正则为1，负则为0，这种编码称为PalmCode，这种算法仅使用一个方向的特征信息，易丢失信息，影响识别结果；Kong[A.Kong,D.Zhang,and M.Kame,“Palmprintidentification using feature-level fusion”,Pattern Recognition,vol.39,no.3,pp478-487,2006]对PalmCode算法进行改进，采用4个方向的Gabor滤波器对掌纹图像进行滤波，然后对4个方向的图像进行PalmCode，通过融合准则对得到的特征进行融合，这种编码称为FusionCode，这种方法的算法复杂度较高，且融合不同方向的特征使得特征冗余，影响识别精度；Kong[A.Kong,D.Zhang,“Competitive coding scheme for palmprintverification”,Proc.Of the17th ICPR,vol.1,pp520-523,2004]使用6个方向的Gabor滤波器对掌纹进行滤波，选取幅值最大的方向作为识别特征，称为Competitive code，该方法需要使用Gabor滤波器提取6个方向的掌纹图像，虽然识别精度有所提高，但相比较FusionCode复杂度也相应的提高；邬向前等[基于差分运算的高精度掌纹识别方法，申请号：2006100110548，发明人：邬向前，张大鹏，王宽全]的专利中提出了一种使用差分进行编码（PDC）的掌纹识别方法；张家树等[基于二维正交Log-Gabor滤波的高精度掌纹识别方法，申请号：200810044611.0，发明人：张家树，温长芝]的专利中使用基于二维正交Log-Gabor滤波的高精度掌纹识别方法。Yue[F.Yue,W.M.Zuo,D.Zhang,and K.Q.Wang,“Orientationselection using modified FCM for Competitive code-based palmprintrecognition”,Pattern Recognition,vol.42,no.11,pp2841-2849,2009]改进Competitive Code，使用FCM方法选取滤波数量和方向，进一步提高了识别精度。在上述掌纹识别方法中，基于主线提取的方法受外界因素干扰较大，且掌纹的前景背景不易区分，准确提取主线较为困难；基于子空间的方法早期应用于人脸识别，对人脸识别有较好的识别结果，但对于掌纹图像而言缺乏对纹理等信息的描述；基于编码的掌纹识别方法使用编码方式对掌纹的特征进行编码，能够得到较为理想的识别结果，较为经典且效果较好的方法就是上述所列举的几类方法，以PalmCode和FusionCode性价比最好，既能获得较高的识别精度，同时算法复杂度相比后续算法也不高，但上述方法存在一些缺陷：一审在进行特征提取前需使用滤波对图像进行平滑，其目的是为了减少噪声的干扰以及去掉一些对识别有影响的伪特征，但简单地使用滤波对图像进行平滑不能得到较稳定的掌纹图像且不易控制滤波进行的程度；二是大多数都是使用Gabor变换提取方向特征，不仅对掌纹图像进行滤波较为耗时，而且Gabor滤波大多为直流分量，对掌纹纹线的描述并不是最佳选择；三是掌纹在采集时易受到旋转、平移等影响，使得上述方法使用汉明距离进行匹配时容错性较差。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计提供一种稳定特征图像下交叉梯度编码的掌纹识别方法，不仅在能够在较为稳定的特征图像下进行编码，而且应用简单的编码方法，提高特征提取的速度，同时得到较高的识别精度。

为了实现上述目的，本发明包括掌纹图像预处理、图像灰度归一化、稳定特征图像计算、交叉梯度编码、掌纹匹配识别和输出结果五个步骤，其具体识别过程为：

（1）、掌纹图像预处理：通过现有公知技术中的角点检测算法分别检测出掌纹图像中食指与中指、无名指与小指之间的角点，通过这两个角点形成的切线进行旋转矫正，分割出掌纹图像中心128×128像素的区域，即为原始掌纹图像的感兴趣区域（Region ofInterest，ROI）图像；

（2）、图像灰度归一化：采用公知的最小-最大归一化法对感兴趣区域图像进行灰度归一化，将图像灰度约束到0-255之间，得到归一化后的掌纹图像；最小-最大归一化的定义如下：

f'＝255×(f-f_min)(f_max-f_min) （1）

其中，f_min表示图像中的最小灰度值，f_max表示图像中的最大灰度值，f表示原图像，f'表示归一化后得到的图像；

（3）、稳定特征图像计算：对步骤（2）中得到的归一化后的掌纹图像建立能量泛函模型（TV模型），通过变分法对能量泛函模型进行求解得到稳定特征图像，具体过程为：

Y＝I+N （2）

其中，Y表示归一化后的掌纹图像，I表示稳定特征图像，N表示含有的噪声和伪特征不稳定因素；先对公式（2）建立能量泛函模型，其定义如下：

$\underset{I}{\mathrm{Min}}\{E\left(I\right)={\∫}_{\mathrm{\Ω}}\frac{1}{2}{(Y-I)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|\▿I\left|\mathrm{dxdy}\right\}---\left(3\right)$

再对式（3）求解，通过不断迭代得到能量泛函取得最小值时的I，即为稳定特征图像，为方便对泛函中的正则项|▽I|求解和加快收敛速度，使用公知的Split Bregman迭代引入局部矢量w和局部Bregman迭代参数b，k为迭代次数，如式（4）、（5)所示：

$b^{k+1}=b^k+{\▿I}^k-{\mathrm{\ω}}^k,b^0={\mathrm{\ω}}^0=0,k=\mathrm{0,1,2},\·\·\·\·\·\·---\left(4\right)$

$(I^{k+1},{\mathrm{\ω}}^{k+1})=\underset{I,\mathrm{\ω}}{\mathrm{ArgMin}}\{E(I,\mathrm{\ω})=\frac{1}{2}{\∫}_{\mathrm{\Ω}}{(Y-I)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|\mathrm{\ω}|\mathrm{dxdy}+\frac{\mathrm{\θ}}{2}{\∫}_{\mathrm{\Ω}}{(\mathrm{\ω}-\▿I-b^{k+1})}^2\mathrm{dxdy}\}---\left(5\right)$

对式（5）求解得关于I的Euler-Lagrauge方程和ω^k+1的广义软阈值公式，如式（6）、（7）所示：

$Y-I-\frac{1}{\mathrm{\θ}}\▿\·(\▿I-{\mathrm{\ω}}^k+b^{k+1})=0---\left(6\right)$

${\mathrm{\ω}}^{k+1}=\mathrm{Max}\left(\right|{\▿I}^{k+1}+b^{k+1}|-\mathrm{\λ\θ},0)\frac{{\▿I}^{k+1}-b^{k+1}}{|{\▿I}^{k+1}-b^{k+1}|}---\left(7\right)$

通过交替优化I和w得到能量泛函收敛时的稳定特征图像I，能量泛函的收敛条件用式（8）来判定，其中ξ为收敛判定参数：

|E(I^k+1)-E(I^k)|/E(I^k)＜ξ （8）

（4）、交叉梯度编码（CGC）：对步骤（3）得到的稳定特征图像I进行交叉梯度编码，得到交叉梯度编码特征CGCF＝(F_U,F_D,F_L,F_R)，其定义如下：

I_Local-L＝I(i-1,j-1)-I(i+1,j+1) （9）

I_Local-R＝I(i-1,j+1)-I(i+1,j-1) （10）

其中，I_Local-L表示局部左对角线差分，I_Local-R表示局部右对角线差分，I(i,j)表示局部中心点的编码值；这样I为由四种类型的值组成的矩阵并对其进行分块统计，最终得到所需的特征向量CGCF；

（5）、掌纹匹配识别：对两幅掌纹图像分别进行步骤（1）、（2）、（3）、（4）得到其各自的特征向量CGCF1和CGCF2，使用归一化相关性分类器计算两特征向量之间的相关性，其定义如下：

$\mathrm{NCC}=\left|\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{CGCF}1-{\mathrm{\μ}}_1)(\mathrm{CGCF}2-{\mathrm{\μ}}_2)\right|/(n\×{\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)---\left(12\right)$

其中，μ₁和μ₂分别表示特征向量CGCF1和CGCF2的均值，σ₁和σ₂分别表示特征向量的CGCF1和CGCF2的标准差，n表示特征向量的长度，l表示向量中对应的元素位置，NCC的取值范围为0-1，越接近1则说明向量之间的相关性越高；

（6）、输出结果：掌纹匹配结束后自动输出匹配结果，掌纹识别结束。

本发明在步骤（3）能量泛函模型求解过程中选取惩罚参数λ＝8，Split Bregman迭代中引入的平衡参数θ＝2，迭代次数k根据能量泛函达到收敛时来得到，收敛判定参数ξ＝0.01。

本发明涉及的步骤（4）对稳定特征图像特征提取中，在进行局部对角差分时，选取8领域进行操作，通过定义的交叉梯度编码规则，将编码值赋给8领域的中心像素点，组成含有4种类型值的特征矩阵，再对得到的特征矩阵进行分块，每块大小为8×8个像素值大小，共分为16×16＝256块。

本发明对每一块进行CGC统计，将每块得到的特征串联成一个向量，再通过步骤（5）中的归一化相关性分类器进行分类。

本发明与现有技术相比具有以下优点：一是对预处理后的掌纹图像使用变分法构造能量泛函（TV模型），通过不断迭代使泛函达到极小值，由于TV模型是一种全局总变差模型，充分利用到全局信息，能够自动地得到具有较为稳定特征的掌纹图像，且引入SplitBregman迭代，加快迭代速度，比简单地进行高斯滤波、均值滤波等得到的图像在特征提取有较好的效果；二是在进行特征提取时，对变分法得到的具有全局信息的稳定特征图像进行自定义的交叉梯度编码（CGC），CGC对掌纹图像的局部进行对角线差分运算，对其运算结果进行编码分类，充分利用了掌纹的局部信息，能够有效地反映出掌纹图像的局部灰度变化。这样，在具有全局信息的稳定特征图像上得到能反映局部变换的信息，使得到的特征向量具有较强的区分能力；三是在进行掌纹匹配时，采用归一化相关性分类器对提取的特征向量进行分类，比传统的使用欧式距离或汉明距离拥有更好的容错能力。欧式距离是一种线性的分类器，分类模式单一，健壮性差；汉明距离是一种基于局部像素点对点的匹配，对图像的旋转、平移等影响的抗干扰能力差，采用的归一化相关性分类器是一种非线性的、具有全局性的分类器；其识别方法简便，识别精度高，算法复杂度低，识别时间短，抗干扰性强。

附图说明：

图1为本发明的掌纹识别方法的流程图。

图2为实施例1对掌纹图像的预处理过程，其中（a）为原始掌纹；（b）为原始掌纹的边界图像；（c）为确定食指与中指、无名指与小指的角点，连接2角点，建立掌纹坐标系的图像；（d）为通过掌纹坐标系，在手掌中间其确定一个固定大小的矩形区域的掌纹图像；（e）将原始掌纹中固定大小的矩形区域分割出的掌纹图像;（f）为最终得到的128×128大小的掌纹ROI图像。

图3为实施例1得到稳定特征图像过程中Split Bregman迭代和non-SplitBregman迭代的能量曲线图。

图4为实施例1对ROI图像进行特征提取的过程，其中（a）为使用变分法得到的稳定特征图像；（b）为使用交叉梯度编码（CGC）得到的特征图像。

图5为实施例2涉及的类内匹配和类间匹配的分布曲线图。

图6为实施例2涉及的误拒率与误识率的关系曲线图。

图7为实施例2涉及的正确接受率与误识率的关系曲线图。

具体实施方式：

下面通过实施例并结合附图对本发明做一进步说明。

实施例1：

本实施例涉及的稳定特征图像下交叉梯度编码的掌纹识别方法的流程图如图1所示，具体识别步骤为：

（1）、掌纹图像预处理：使用Zhang[D.Zhang,W.Kong,J.You,and M.Wong,“Onlinepalmprint identification”,IEEE Trans.Pattern Anal.Machine Intell,vol.25,no.9,pp1041-1050,2003]中提出的掌纹预处理方法对掌纹进行处理，先通过角点检测算法检测出掌纹图像食指和中指、无名指和小指之间的角点，再通过这两个角点形成的切线进行旋转矫正，分割出掌纹图像中心128×128像素的区域，该区域为原始掌纹图像的ROI（Regionof Interest）图像，这种算法对掌纹图像进行预处理能够在一定程度上克服图像采集时的旋转或平移，同时也能够得到含有掌纹特征的主要区域；

（2）、图像灰度归一化操作：采用最小-最大归一化法对ROI图像进行灰度归一化，将图像灰度约束到0-255之间得到归一化后的掌纹图像，最小-最大归一化法的定义如下：

f'＝255×(f-f_min)(f_max-f_min) （1）

其中，f_min表示图像中的最小灰度值，f_max表示图像中的最大灰度值，f表示原图像，f'表示归一化后得到的图像；

（3）、对步骤（2）中得到的归一化后的掌纹图像建立能量泛函模型（TV模型[L.Rudin,S.Osher,and E.Fatemi,“Nonlinear total variation based noise removalalgorithms”,Physica D,vol.60,no.1-4,pp259-268,1992]），通过变分法对能量泛函模型进行求解，得到稳定特征图像，具体求解过程为：

Y＝I+N （2）

其中，Y表示归一化后的掌纹图像，I表示稳定特征图像，N表示含有的噪声、伪特征等不稳定因素；对式（2）建立能量泛函模型，其定义如下：

$\underset{I}{\mathrm{Min}}\{E\left(I\right)={\∫}_{\mathrm{\Ω}}\frac{1}{2}{(Y-I)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|\▿I\left|\mathrm{dxdy}\right\}---\left(3\right)$

对式（3）求解，通过不断迭代得到能量泛函取得最小值时的I，即为稳定特征图像。为了能够方便对泛函中的正则项|▽I|求解且为了加快收敛速度，使用GoldStein[T.GoldStein,S.Osher,“The Split Bregman algorithm for L1regularizedproblems”,SIAM Journal on Imaging Science,vol.2,no.2,pp323-343,2009]提出的Split Bregman迭代。引入局部矢量w和局部Bregman迭代参数b，k为迭代次数，如下所示：

$b^{k+1}=b^k+{\▿I}^k-{\mathrm{\ω}}^k,b^0={\mathrm{\ω}}^0=0,k=\mathrm{0,1,2},\·\·\·\·\·\·---\left(4\right)$

$(I^{k+1},{\mathrm{\ω}}^{k+1})=\underset{I,\mathrm{\ω}}{\mathrm{ArgMin}}\{E(I,\mathrm{\ω})=\frac{1}{2}{\∫}_{\mathrm{\Ω}}{(Y-I)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|\mathrm{\ω}|\mathrm{dxdy}+\frac{\mathrm{\θ}}{2}{\∫}_{\mathrm{\Ω}}{(\mathrm{\ω}-\▿I-b^{k+1})}^2\mathrm{dxdy}\}---\left(5\right)$

对式（5）求解得关于I的Euler-Lagrauge方程和ω^k+1的广义软阈值公式，如下所示：

$Y-I-\frac{1}{\mathrm{\θ}}\▿\·(\▿I-{\mathrm{\ω}}^k+b^{k+1})=0---\left(6\right)$

${\mathrm{\ω}}^{k+1}=\mathrm{Max}\left(\right|{\▿I}^{k+1}+b^{k+1}|-\mathrm{\λ\θ},0)\frac{{\▿I}^{k+1}-b^{k+1}}{|{\▿I}^{k+1}-b^{k+1}|}---\left(7\right)$

通过交替优化I和w得到能量泛函收敛时的稳定特征图像I，能量泛函的收敛条件可用如下式子来判定，其中ξ为收敛判定参数：

|E(I^k+1)-E(I^k)|/E(I^k)＜ξ （8）

图4（a）表示由归一化得到的稳定特征图像；图3表示得到稳定特征图像过程中的能量曲线和使用Split Bregman的能量曲线，通过比较可以看出，使用Split Bregman迭代后的能量曲线收敛更快；

（4）、交叉梯度编码（CGC）提取：对步骤（3）的稳定特征图像I进行交叉梯度编码，得到交叉梯度编码特征CGCF＝(F_U,F_D,F_L,F_R)，其定义如下：

I_Local-L＝I(i-1,j-1)-I(i+1,j+1) （9）

I_Local-R＝I(i-1,j+1)-I(i+1,j-1) （10）

其中，I_Local-L表示局部左对角线差分，I_Local-R表示局部右对角线差分，I(i,j)表示局部中心点的编码值，这样I则由4种类型的值组成的矩阵，对其进行分块统计，最终得到所需的特征向量CGCF，图4（b）表示对稳定特征图像进行交叉梯度编码后的特征图像；

（5）、掌纹匹配识别：对两幅掌纹图像分别进行上述步骤1、2、3、4得到其各自的特征向量CGCF1和CGCF2，使用归一化相关性分类器计算两特征向量之间的相关性，其定义如下：

$\mathrm{NCC}=\left|\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{CGCF}1-{\mathrm{\μ}}_1)(\mathrm{CGCF}2-{\mathrm{\μ}}_2)\right|/(n\×{\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)---\left(12\right)$

其中，μ₁和μ₂分别表示特征向量CGCF1和CGCF2的均值，σ₁和σ₂分别表示特征向量的CGCF1和CGCF2的标准差，n表示特征向量的长度，l表示向量中对应的元素位置，NCC的取值范围为0-1，越接近1则说明向量之间的相关性越高。

实施例2：

本实施例对实验仿真结果及其数据分析，实验仿真所采用的掌纹库来自香港理工大学的掌纹数据库（PolyU Palmprint Database）[http://www.comp.polyu.edu.hk/～biometrics/]，该掌纹库包含来自392个不同的手掌的7752幅图像，这些图像是分两次对不用年龄的男性和女性进行采集的，时间间隔2个月左右，图像大小为384×284。从中选取100个人，每人10幅图像，共1000幅图像进行实验。应用Zhang[D.Zhang,W.Kong,J.You,andM.Wong,“Online palmprint identification”,IEEE Trans.Pattern Anal.MachineIntell,vol.25,no.9,pp1041-1050,2003]中提出的掌纹预处理方法对掌纹进行处理，得到128×128大小的ROI图像；在仿真实验中，将每个人第一次采集的10幅图像作为训练集，将第二次采集的10幅图像作为测试集，每幅测试集中的图像都要与训练集中的所有图像进行一次匹配，来自同一个人掌纹之间的匹配被称为类内匹配（真匹配），来自不同人掌纹之间的匹配被称为类间匹配（假匹配），这样，实验中总的匹配次数为250000次，其中类内匹配为2500次，类间匹配为247500次；类内匹配和类间匹配的分布如图5所示，从图像清楚地看出两条曲线相交重叠的区域很小，说明选取一个合适的阈值就可以将掌纹较好地区分开，间接地表明本发明算法的有效性；一种身份识别算法性能的好坏通常采用2种错误率来评价，即误拒率(False rejection rate,FRR)和误识率（False acceptance rate,FAR），FRR是指系统将合法用户当成假冒者拒绝的概率；FAR是指系统将假冒者当成合法用户接受的概率，这两种错误率是相互矛盾的，一个的升高，必定导致另一个的降低，用户可根据在不同的应用领域适当调节FAR与FRR的关系，FAR越低说明假冒者被正确接受的可能性越低，此时系统的安全性能越高，适合警察、军队等安全性要求较高的部门使用；而FRR越低说明合法用户被错误拒绝的可能性越低，此时系统通用性较高，使用起来方便，适合公司或是学校等部门使用，接受操作特征（Receiver Operating Characteristic，ROC）曲线可以动态的反映出算法的识别性能，同时能够较好地与其他算法进行比较，通常ROC曲线有二种表现形式，第一种可体现在FAR与FRR的关系上，如图6所示，表示本发明算法与PalmCode算法、FusionCode算法在相同数据库上测试得到的ROC曲线，本发明算法的EER为0.39%，即FAR与FRR相等时的取值，EER越低反映出算法的性能越好，而PalmCode算法和FusionCode算法的EER分别为0.77%和1.17%，因此本发明算法要优于PalmCode算法和FusionCode算法；ROC曲线的第二种表现形式可体现在正确接受率（Genuine Accept Rate，GAR）与FAR的关系上，如图7所示，从图中可以看出本发明的算法远高于这两种算法。当FAR为10^-1%时，本发明的识别精度为99.09%，比FusionCode算法（97.67）高1.42%，比PalmCode算法（94.82%）高4.27%；当FAR为10^-2%时，本发明的识别精度为97.97%，比FusionCode算法（94.01）高3.96%，比PalmCode算法（90.39%）高7.58%；当FAR为10^-3%时，本发明的识别精度仍可达到95.94%，比FusionCode算法（91.43）高4.51%，比PalmCode算法（83.78%）高12.16%。综上所述，本发明算法在算法性能上和识别精度上均要优于PalmCode和FusionCode这两种经典的高精度识别方法。

本实施例使用CPU2.90GHZ，内存4GB的笔记本，在MATLAB2010a实验平台下进行，如表1所示，表示本发明算法的预处理（包括对掌纹图像的预处理及对图像进行灰度归一化操作）、特征提取（包括使用变分法得到的稳定特征图像及进行CGC编码）、匹配识别（包括掌纹匹配）时间以及总时间，可以得出进行一次身份识别所需时间约为(416+74+1.6×N)/1000秒，其中N为训练集中的样本数，假设样本数取500，则一次身份识别大约需要使用1.29秒，完全满足一个身份识别系统的要求。

表1：本发明算法的预处理、特征提取、匹配识别时间以及总时间

预处理（ms）	特征提取（ms）	匹配识别（ms）	总时间（ms）
				416	74	1.6	491.6

Claims (4)

1.一种稳定特征图像下交叉梯度编码的掌纹识别方法，其特征在于包括掌纹图像预处理、图像灰度归一化、稳定特征图像计算、交叉梯度编码、掌纹匹配识别和输出结果五个步骤，其具体识别过程为：

(1)、掌纹图像预处理：通过现有公知技术中的角点检测算法分别检测出掌纹图像中食指和中指、无名指和小指之间的角点，通过这两个角点形成的切线进行旋转矫正，分割出掌纹图像中心128×128像素的区域，即为原始掌纹图像的感兴趣区域图像；

(2)、图像灰度归一化：采用公知的最小-最大归一化法对感兴趣区域图像进行灰度归一化，将图像灰度约束到0-255之间，得到归一化后的掌纹图像；最小-最大归一化的定义如下：

f'＝255×(f-f_min)/(f_max-f_min) (1)

其中，f_min表示图像中的最小灰度值，f_max表示图像中的最大灰度值，f表示原图像，f'表示归一化后得到的图像；

(3)、稳定特征图像计算：对步骤(2)中得到的归一化后的掌纹图像建立能量泛函模型，通过变分法对能量泛函模型进行求解得到稳定特征图像，具体过程为：

Y＝I+N (2)

其中，Y表示归一化后的掌纹图像，I表示稳定特征图像，N表示含有的噪声和伪特征不稳定因素；先对公式(2)建立能量泛函模型，其定义如下：

$\underset{I}{Min}\{E\left(I\right)={\∫}_{\mathrm{\Ω}}\frac{1}{2}{(Y-I)}^{2}dxdy+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}|\▿I\left|dxdy\right\}---\left(3\right)$

再对式(3)求解，通过不断迭代得到能量泛函取得最小值时的I，即为稳定特征图像，为方便对泛函中的正则项求解和加快收敛速度，使用Split Bregman迭代引入局部矢量w和局部Bregman迭代参数b，k为迭代次数，如式(4)、(5)所示：

$b^{k+1}=b^k+\▿I^k-{\mathrm{\ω}}^k,b^0={\mathrm{\ω}}^0=0,k=0,1,2,......---\left(4\right)$

$(I^{k+1},{\mathrm{\ω}}^{k+1})=\underset{I,\mathrm{\ω}}{ArgMin}\left\{E\right(I,\mathrm{\ω})=\frac{1}{2}{\∫}_{\mathrm{\Ω}}{(Y-I)}^{2}dxdy+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}\left|\mathrm{\ω}\right|dxdy+\frac{\mathrm{\θ}}{2}{\∫}_{\mathrm{\Ω}}{(\mathrm{\ω}-\▿I-b^{k+1})}^{2}dxdy\}---\left(5\right)$

对式(5)求解得关于I的Euler-Lagrauge方程和ω^k+1的广义软阈值公式，如式(6)、(7)所示：

$Y-I-\frac{1}{\mathrm{\θ}}\▿\·(\▿I-{\mathrm{\ω}}^k+b^{k+1})=0---\left(6\right)$

${\mathrm{\ω}}^{k+1}=Max\left(\right|\▿I^{k+1}+b^{k+1}|-\mathrm{\λ}\mathrm{\θ},0)\frac{\▿I^{k+1}-b^{k+1}}{|\▿I^{k+1}-b^{k+1}|}---\left(7\right)$

通过交替优化I和w得到能量泛函收敛时的稳定特征图像I，能量泛函的收敛条件用式(8)来判定，其中，θ为Split Bregman迭代中引入的平衡参数，λ为惩罚参数，ξ为收敛判定参数：

|E(I^k+1)-E(I^k)|/E(I^k)＜ξ (8)

(4)、交叉梯度编码：对步骤(3)得到的稳定特征图像I进行交叉梯度编码，得到交叉梯度编码特征CGCF＝(F_U,F_D,F_L,F_R)，其定义如下：

I_Local-L＝I(i-1,j-1)-I(i+1,j+1) (9)

I_Local-R＝I(i-1,j+1)-I(i+1,j-1) (10)

其中，I_Local-L表示局部左对角线差分，I_Local-R表示局部右对角线差分，I(i,j)表示局部中心点的编码值；这样I为由四种类型的值组成的矩阵并对其进行分块统计，最终得到所需的特征向量CGCF；

(5)、掌纹匹配识别：对两幅掌纹图像分别进行步骤(1)、(2)、(3)、(4)得到其各自的特征向量CGCF1和CGCF2，使用归一化相关性分类器计算两特征向量之间的相关性，其定义如下：

$NCC=\left|\underset{l=1}{\overset{n}{\Σ}}(CGCF1-{\mathrm{\μ}}_1)(CGCF2-{\mathrm{\μ}}_2)\right|/(n\×{\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)---\left(12\right)$

其中，μ₁和μ₂分别表示特征向量CGCF1和CGCF2的均值，σ₁和σ₂分别表示特征向量的CGCF1和CGCF2的标准差，n表示特征向量的长度，l表示向量中对应的元素位置，NCC的取值范围为0-1，越接近1则说明向量之间的相关性越高；

(6)、输出结果：掌纹匹配结束后自动输出匹配结果，掌纹识别结束。

2.根据权利要求1所述的稳定特征图像下交叉梯度编码的掌纹识别方法，其特征在于步骤(3)能量泛函模型求解过程中选取惩罚参数λ＝8，Split Bregman迭代中引入的平衡参数θ＝2，迭代次数k根据能量泛函达到收敛时来得到，收敛判定参数ξ＝0.01。

3.根据权利要求1所述的稳定特征图像下交叉梯度编码的掌纹识别方法，其特征在于涉及的步骤(4)对稳定特征图像特征提取中，在进行局部对角差分时，选取8领域进行操作，通过定义的交叉梯度编码规则，将编码值赋给8领域的中心像素点，组成含有4种类型值的特征矩阵，再对得到的特征矩阵进行分块，每块大小为8×8个像素值大小，共分为16×16＝256块。

4.根据权利要求1所述的稳定特征图像下交叉梯度编码的掌纹识别方法，其特征在于对每一块进行交叉梯度编码统计，将每块得到的特征串联成一个向量，再通过步骤(5)中的归一化相关性分类器进行分类。