CN105095854A - 低分辨率无接触的在线掌纹匹配方法 - Google Patents

Abstract

本发明公开了一种低分辨率无接触的在线掌纹匹配方法，主要解决现有方法中各向异性Gabor滤波器对不同角度敏感度不同和取多个角度值时匹配速度低的问题。其实现步骤是：1.读入待匹配掌纹图像；2.提取待匹配掌纹图像的感兴趣区域；3.使用各向同性Gabor滤波器对感兴趣区域进行卷积并对卷积结果进行二值编码；4.比较感兴趣区域对应的二值编码图求出待匹配掌纹图像的匹配相似度分数。本发明能在保持较高鲁棒性和较低的运算复杂度条件下，提高低分辨率掌纹匹配的精确度，可用于低分辨率无接触掌纹识别系统。

Description

低分辨率无接触的在线掌纹匹配方法

技术领域

本发明属于数字图像处理技术领域，具体涉及一种在线掌纹匹配方法，可用于低分辨率无接触掌纹识别系统。

背景技术

随着社会的进步和当前安全局势的紧迫需要，掌纹识别特别是低分辨率无接触在线掌纹识别技术已成为继指纹、虹膜等之后的又一个生物特征识别研究热点，掌纹识别拥有有效面积大、细节信息丰富、方便采集、用户体验好、精度高等其他生物特征识别方法所不具有的优点，因此得到越来越多的关注。

基于编码的掌纹匹配方法是低分辨率无接触在线掌纹匹配方法中较为成功的一种方法，该方法鲁棒性强、匹配精度高、占用存储空间小。下面简单介绍两种经典的基于编码的掌纹匹配方法：

1.PalmCode方法：该方法使用传统形式的Gabor滤波器在角度取45°，频率取0.0916，标准差取5.6179时生成一个零均值各向异性Gabor滤波器模板，使用该模板作为卷积模板对手掌感兴趣区域做卷积运算，然后对运算结果的实部和虚部分别根据值的正负进行二值编码，匹配时模板掌纹图像感兴趣区域的实部二值编码图和待匹配掌纹图像感兴趣区域的实部二值编码图做同或运算，模板掌纹图像感兴趣区域的虚部二值编码图和待匹配掌纹图像感兴趣区域的虚部二值编码图做同或运算，最终求上述两部分同或结果中值为1的坐标点的数目占两个同或结果总坐标点个数的比例，作为最终匹配相似度分数。

2.FusionCode方法：该方法采用四个方向的零均值各向异性Gabor滤波器模板分别对手掌感兴趣区域进行卷积运算，对于四幅卷积结果图，对同一坐标位置取最大幅度值所对应的卷积结果从而将四幅卷积结果图融合为一幅图，后续按照与PalmCode相同的方法进行编码和匹配，最后得到匹配相似度分数。

上述经典算法虽然有编码匹配方法的优点，但各自仍有自身缺陷：

1.PalmCode方法由于采用了一个特殊方向提取掌纹特征，因此丢失了其他方向上的掌纹特征，故而限制了其精度的提高。

2.FusionCode方法虽然通过增加Gabor滤波器模板个数的方法获得了更全面的掌纹特征信息，但卷积运算是一项较为耗时的运算，因此为了提取更全面的掌纹特征信息而牺牲了匹配速度，加大了运算复杂度。

3.这两种匹配方法由于在匹配阶段均采用了实部和实部匹配，虚部和虚部匹配，最后直接计算匹配相似度分数的策略，故而忽略了同一感兴趣区域的实部和虚部编码结果之间的联系性，造成掌纹特征信息的丢失，影响匹配精确度的提高。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种低分辨率无接触的在线掌纹匹配方法，在不增加计算复杂度的同时提取更全面的掌纹特征信息，并对实部二值编码图和虚部二值编码图之间的联系性加以利用，提高匹配精确度。

本发明的技术方案是：对提取到的手掌感兴趣区域，使用各向同性零均值Gabor滤波器作为卷积模板对感兴趣区域进行卷积运算；对卷积结果的实部绝对值和虚部绝对值的大小关系做二值编码，同时对卷积结果的实部和虚部分别进行二值编码；对于同一个坐标位置，当模板掌纹图像感兴趣区域和待匹配掌纹图像感兴趣区域的实部二值编码图、虚部二值编码图、实虚部比较二值编码图均分别对应匹配成功时判定该坐标位置上匹配成功；由匹配成功的坐标点的个数占手掌感兴趣区域总坐标点个数的比例表示匹配相似度分数。其实现步骤包括如下：

1.一种低分辨率无接触的在线掌纹匹配方法，包括如下步骤：

(1)读入模板掌纹图像I₁和待匹配掌纹图像I₂；

(2)提取模板掌纹图像I₁的感兴趣区域R₁和待匹配掌纹图像I₂的感兴趣区域R₂；

(3)对感兴趣区域进行二值编码：

(3a)由各向同性Gabor滤波器函数生成一个行数和列数均为(2M+1)的各向同性Gabor滤波器模板G，其中M为G的中心像素到边界像素的像素距离；

(3b)由均值归零公式将Gabor滤波器模板G的均值调整至零，得到零均值Gabor滤波器模板G₁；

(3c)将零均值Gabor滤波器模板G₁作为卷积模板分别与R₁和R₂做卷积运算，得到R₁的卷积结果图C₁和R₂的卷积结果图C₂；

(3d)取C₁的实部图E₁和虚部图A₁，得到C₁的实虚部绝对值差图EA₁：EA₁＝abs(E₁)-abs(A₁)；

(3e)取C₂的实部图E₂和虚部图A₂，得到C₂的实虚部绝对值差图EA₂：EA₂＝abs(E₂)-abs(A₂)，

其中abs表示求绝对值；

(3f)根据C₁的实部图E₁、虚部图A₁及实虚部绝对值差图EA₁，得到C₁的实部二值编码图B₁₁、虚部二值编码图B₁₂、实虚部比较二值编码图B_EA1：

$\begin{array}{ccc}{B}_{11}=\left\{\begin{array}{cc}1& E_1>0\\ 0& E_1\≤0\end{array}\right.,& B_{12}=\left\{\begin{array}{cc}1& A_1>0\\ 0& A_1\≤0\end{array}\right.,& B_{EA1}=\left\{\begin{array}{cc}1& {\mathrm{EA}}_1>0\\ 0& {\mathrm{EA}}_1\≤0\end{array}\right.;\end{array}$

(3g)根据C₂的实部图E₂、虚部图A₂及实虚部绝对值差图EA₂，得到C₂的实部二值编码图B₂₁、虚部二值编码图B₂₂、实虚部比较二值编码图B_EA2：

$\begin{array}{ccc}{B}_{21}=\left\{\begin{array}{cc}1& E_2>0\\ 0& E_2\≤0\end{array}\right.,& B_{22}=\left\{\begin{array}{cc}1& A_2>0\\ 0& A_2\≤0\end{array}\right.,& B_{EA2}=\left\{\begin{array}{cc}1& {\mathrm{EA}}_2>0\\ 0& {\mathrm{EA}}_2\≤0\end{array}\right.;\end{array}$

(4)计算模板掌纹图像I₁和待匹配掌纹图像I₂的匹配相似度分数：

(4a)固定模板掌纹图像I₁的感兴趣区域R₁，对待匹配掌纹图像I₂的感兴趣区域R₂做水平向右h的像素平移和竖直向上w的像素平移，记录R₁与平移后的R₂的重叠区域，在R₁中将该重叠区域记为R₁′，在R₂中将该重叠区域记为R₂′；

(4b)记录R₁′在R₁中的坐标位置，在B₁₁中取相同坐标位置上的值得到R₁′的实部二值编码图B₁′₁，在B₁₂中取相同坐标位置上的值得到R₁′的虚部二值编码图B₁′₂，在B_EA1中取相同坐标位置上的值得到R₁′的实虚部比较二值编码图B′_EA1；

(4c)记录R₂′在R₂中的坐标位置，在B₂₁中取相同坐标位置上的值得到R₂′的实部二值编码图B₂′₁，在B₂₂中取相同坐标位置上的值得到R₂′的虚部二值编码图B₂′₂，在B_EA2中取相同坐标位置上的值得到R₂′的实虚部比较二值编码图B′_EA2；

(4d)对上述B′_EA1和B′_EA2做按位同或运算得到实虚部比较匹配结果图B_EA，对上述B₁′₁和B₂′₁做按位同或运算得到实部匹配结果图B_R，对上述B₁′₂和B₂′₂做按位同或运算得到虚部匹配结果图B_M；

(4e)对(4d)中的B_EA、B_R和B_M做按位与运算，得到最终匹配结果图B_RM；

(4f)计算B_RM中值为1的坐标点个数占B_RM总坐标点个数的比例，令其作为R₁′与R₂′的匹配相似度分数；

(4g)由各平移参数下的R₁′与R₂′的匹配相似度分数求I₁与I₂的匹配相似度分数：

(4g1)设N为水平方向和竖直方向的最大平移量，水平方向平移量h和竖直方向平移量w均取区间[-N,N]上的整数值，则根据h值和w值的不同组合得到(2N+1)²组平移参数；

(4g2)对步骤(4g1)得到的所有平移参数，重复步骤(4a)～(4f)求出所有平移参数下的R₁′与R₂′的匹配相似度分数数组；

(4g3)取(4g2)得到的所有平移参数下的R₁′与R₂′的匹配相似度分数数组中的最大值作为R₁与R₂的匹配相似度分数，再将R₁与R₂的匹配相似度分数作为I₁与I₂的匹配相似度分数，I₁与I₂的匹配相似度分数的大小表示I₁与I₂来自同一手掌的概率的大小。

本发明与现有技术相比具有如下优点：

第一，全面的方向信息。由于本发明采用了各向同性Gabor滤波器，从而避免了PalmCode中各向异性Gabor滤波器只取一个方向值时丢失其他方向掌纹特征的问题。

第二，计算量小，速度快，计算复杂度低。与FusionCode相比，本发明由于在获取更全面掌纹特征的同时并未增加卷积次数，因此计算量小，速度快，计算复杂度低。

第三，本发明不仅对卷积结果图中的实部和虚部进行了编码，而且对实部绝对值和虚部绝对值的大小关系进行了编码，获得了更多掌纹特征信息。

第四，本发明采用了同一坐标位置上的实虚部比较二值编码图、实部二值编码图、虚部二值编码图均分别匹配时判定该坐标位置匹配成功，最后计算匹配成功的坐标点数占总坐标点数的比例作为匹配相似度分数的策略，该策略利用了掌纹图的坐标位置信息，因此有助于提高匹配精确度。

附图说明

图1是本发明的实现流程图；

图2是本发明所使用的各向同性Gabor滤波器的三维图；

图3是本发明从掌纹图像感兴趣区域中提取到的实部二值编码图；

图4是本发明从掌纹图像感兴趣区域中提取到的虚部二值编码图；

图5是本发明从掌纹图像感兴趣区域中提取到的实虚部比较二值编码图；

图6是本发明在香港理工大学低分辨率掌纹库上实验的ROC曲线图。

具体实施方式

以下结合图1，对本发明的实施实例及效果进行详细描述：

参照图1，本实例的实现步骤如下：

步骤1，读入模板掌纹图像I₁和待匹配掌纹图像I₂。

本实例所使用的数据库为香港理工大学低分辨率掌纹数据库PolyU_Palmprint_Database，从该数据库中随机读入一幅掌纹图像作为模板掌纹图像I₁，再从该数据库中随机读入不同于I₁的另一幅掌纹图像作为待匹配掌纹图像I₂。

步骤2，提取模板掌纹图像I₁的感兴趣区域R₁和待匹配掌纹图像I₂的感兴趣区域R₂。

提取掌纹图像感兴趣区域的方法有很多种，例如谷点检测法，最大内切圆法，最大内切椭圆法等等，本实例中采用谷点检测法，具体步骤如下：

(2a)由二维高斯低通滤波器函数生成一个行数和列数均为D的二维高斯低通滤波模板S：

$S(x,y)=\frac{1}{2{\mathrm{\π\α}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\α}}^2}),$

其中α为高斯低通滤波器函数的标准差，exp为指数函数，x为S中每个像素的横坐标，y为S中每个像素的纵坐标；

(2b)将二维高斯低通滤波模板S作为滤波模板分别对I₁和I₂进行高斯低通滤波以消除I₁和I₂中的高频噪声，得到I₁的滤波结果图L₁和I₂的滤波结果图L₂：

L₁＝I₁*S，

L₂＝I₂*S，

其中*表示卷积；

(2c)对L₁和L₂进行二值化操作，得到L₁的二值图像B₁和L₂的二值图像B₂：

$B_1=\left\{\begin{array}{cc}1& L_1>Th\\ 0& L_1\≤Th\end{array}\right.,$

$B_2=\left\{\begin{array}{cc}1& L_2>Th\\ 0& L_2\≤Th\end{array}\right.,$

其中Th为二值化灰度门限值，Th的值取15；

(2d)对B₁和B₂做一次形态学腐蚀操作，得到B₁的腐蚀图像BE₁和B₂的腐蚀图像BE₂，由B₁和BE₁得到模板掌纹图像I₁的手掌边界图BW₁，由B₂和BE₂得到待匹配掌纹图像I₂的手掌边界图BW₂：

BW₁＝B₁-BE₁，

BW₂＝B₂-BE₂；

(2e)对步骤(2d)所得到的每个手掌边界图，取手掌边界线上的点P₀(x₀,y₀)，以P₀(x₀,y₀)为起点，分别向前和向后间隔30个像素点在边界线上取点P₁(x₁,y₁)和P₂(x₂,y₂)，由P₀(x₀,y₀)、P₁(x₁,y₁)、P₂(x₂,y₂)按下式求出点P₀(x₀,y₀)处的曲率θ：

其中cos^-1为反余弦函数；

对BW₁和BW₂中所有手掌边界线上的点均提取曲率值，求出所有手掌边界点的曲率值；

(2f)在模板掌纹图像I₁的手掌边界图BW₁中，求全局最大曲率值，记录该值所在坐标点的坐标位置，得到谷点GU₁₁，并把该点25个像素邻域内的坐标点的曲率值全部置零，再次求全局最大曲率值，记录该值所在坐标点的坐标位置，得到BW₁内的第二个谷点GU₁₂；

(2g)在待匹配掌纹图像I₂的手掌边界图BW₂中，求全局最大曲率值，记录该值所在坐标点的坐标位置，得到谷点GU₂₁，并把该点25个像素邻域内的坐标点的曲率值全部置零，再次求全局最大曲率值，记录该值所在坐标点的坐标位置，得到BW₂内的第二个谷点GU₂₂；

(2h)在模板掌纹图像I₁中，以所述谷点GU₁₁和GU₁₂的连线为横坐标，以指向GU₁₂的方向为横坐标的正方向，以谷点GU₁₁和GU₁₂的连线的中垂线为纵坐标，以中垂线向右方向为纵坐标正方向，建立直角坐标系，以坐标点(0,75)为中心点沿坐标轴方向截取行数和列数为128的矩形区域R₁，则得I₁的感兴趣区域R₁；

(2i)在待匹配掌纹图像I₂中，以所述谷点GU₂₁和GU₂₂的连线为横坐标，以指向GU₂₂的方向为横坐标的正方向，以谷点GU₂₁和GU₂₂的连线的中垂线为纵坐标，以中垂线向右方向为纵坐标正方向，建立直角坐标系，以坐标点(0,75)为中心点沿坐标轴方向截取行数和列数为128的矩形区域R₂，则得I₂的感兴趣区域R₂。

步骤3，对感兴趣区域进行二值编码。

(3a)由各向同性Gabor滤波器函数生成一个行数和列数均为(2M+1)的各向同性Gabor滤波器模板G，其中M为G的中心像素到边界像素的像素距离：

$G(x,y)=\exp (-\frac{x^2+y^2}{2{\mathrm{\δ}}^2})\exp \left(i2\mathrm{\π}F\sqrt{x^2+y^2}\right),$

其中exp为指数函数，x为G中每个像素的横坐标，y为G中每个像素的纵坐标，δ为G的标准差，F为G的频率，

(3b)由均值归零公式将Gabor滤波器模板G的均值调整至零，得到零均值Gabor滤波器模板G₁：

$G_1(x,y)=G(x,y)-\frac{{\Σ}_{x=-M}^M{\Σ}_{y=-M}^{M}G\left(x,y\right)}{{(2M+1)}^2},$

生成的零均值Gabor滤波器模板G₁的三维图，如图2所示；

(3c)将零均值Gabor滤波器模板G₁作为卷积模板分别与R₁和R₂做卷积运算，得到R₁的卷积结果图C₁和R₂的卷积结果图C₂：

C₁＝R₁*G₁，

C₂＝R₂*G₁，

其中*为卷积符号；

(3d)取C₁的实部图E₁和虚部图A₁，得到C₁的实虚部绝对值差图EA₁：EA₁(x,y)＝abs(E₁(x,y))-abs(A₁(x,y))，

其中abs表示求绝对值，x为横坐标，x＝1,2,...,(2M+1)，y为纵坐标，y＝1,2,...,(2M+1)，EA₁(x,y)为图EA₁在坐标(x,y)处的灰度值，E₁(x,y)为图E₁在坐标(x,y)处的灰度值，A₁(x,y)为图A₁在坐标(x,y)处的灰度值；

(3e)取C₂的实部图E₂和虚部图A₂，得到C₂的实虚部绝对值差图EA₂：

EA₂(x,y)＝abs(E₂(x,y))-abs(A₂(x,y))，

其中abs表示求绝对值，x为横坐标，x＝1,2,...,(2M+1)，y为纵坐标，y＝1,2,...,(2M+1)，EA₂(x,y)为图EA₂在坐标(x,y)处的灰度值，E₂(x,y)为图E₂在坐标(x,y)处的灰度值，A₂(x,y)为图A₂在坐标(x,y)处的灰度值；

(3f)根据C₁的实部图E₁、虚部图A₁及实虚部绝对值差图EA₁，得到C₁的实部二值编码图B₁₁、虚部二值编码图B₁₂、实虚部比较二值编码图B_EA1：

$\begin{array}{ccc}{B}_{11}=\left\{\begin{array}{cc}1& E_1>0\\ 0& E_1\≤0\end{array}\right.,& B_{12}=\left\{\begin{array}{cc}1& A_1>0\\ 0& A_1\≤0\end{array}\right.,& B_{EA1}=\left\{\begin{array}{cc}1& {\mathrm{EA}}_1>0\\ 0& {\mathrm{EA}}_1\≤0\end{array}\right.;\end{array}$

(3g)根据C₂的实部图E₂、虚部图A₂及实虚部绝对值差图EA₂，得到C₂的实部二值编码图B₂₁、虚部二值编码图B₂₂、实虚部比较二值编码图B_EA2：

$\begin{array}{ccc}{B}_{21}=\left\{\begin{array}{cc}1& E_2>0\\ 0& E_2\≤0\end{array}\right.,& B_{22}=\left\{\begin{array}{cc}1& A_2>0\\ 0& A_2\≤0\end{array}\right.,& B_{EA2}=\left\{\begin{array}{cc}1& {\mathrm{EA}}_2>0\\ 0& {\mathrm{EA}}_2\≤0\end{array}\right..\end{array}$

以PolyU_Palmprint_Database中掌纹图片PolyU_001_F_01为例，通过步骤(3f)和步骤(3g)得到的实部二值编码图如图3所示，得到的虚部二值编码图如图4所示，得到的实虚部比较二值编码图如图5所示。

步骤4，计算模板掌纹图像I₁和待匹配掌纹图像I₂的匹配相似度分数。

(4a)固定模板掌纹图像I₁的感兴趣区域R₁，对待匹配掌纹图像I₂的感兴趣区域R₂做水平向右h的像素平移和竖直向上w的像素平移，记录R₁与平移后的R₂的重叠区域，在R₁中将该重叠区域记为R₁′，在R₂中将该重叠区域记为R₂′；

(4b)记录R₁′在R₁中的坐标位置，在B₁₁中取相同坐标位置上的值得到R₁′的实部二值编码图B₁′₁，在B₁₂中取相同坐标位置上的值得到R₁′的虚部二值编码图B₁′₂，在B_EA1中取相同坐标位置上的值得到R₁′的实虚部比较二值编码图B′_EA1；

(4c)记录R₂′在R₂中的坐标位置，在B₂₁中取相同坐标位置上的值得到R₂′的实部二值编码图B₂′₁，在B₂₂中取相同坐标位置上的值得到R₂′的虚部二值编码图B₂′₂，在B_EA2中取相同坐标位置上的值得到R₂′的实虚部比较二值编码图B′_EA2；

(4d)对上述B′_EA1和B′_EA2做按位同或运算得到实虚部比较匹配结果图B_EA，对上述B₁′₁和B₂′₁做按位同或运算得到实部匹配结果图B_R，对上述B₁′₂和B₂′₂做按位同或运算得到虚部匹配结果图B_M：

B_EA＝B′_EA1^B′_EA2，

B_R＝B₁′₁^B₂′₁，

B_M＝B₁′₂^B₂′₂，

其中^表示按位同或运算；

(4e)对(4d)中的B_EA、B_R和B_M做按位与运算，得到最终匹配结果图B_RM：

B_RM＝B_EA&B_R&B_M，

其中&表示按位与运算；

(4f)计算B_RM中值为1的坐标点个数占B_RM总坐标点个数的比例，令其作为R₁′与R₂′的匹配相似度分数；

(4g)由各平移参数下的R₁′与R₂′的匹配相似度分数求I₁与I₂的匹配相似度分数：

(4g1)设N为水平方向和竖直方向的最大平移量，水平方向平移量h和竖直方向平移量w均取区间[-N,N]上的整数值，则根据h值和w值的不同组合得到(2N+1)²组平移参数；

(4g2)对步骤(4g1)得到的所有平移参数，重复步骤(4a)～(4f)求出所有平移参数下的R₁′与R₂′的匹配相似度分数数组；

(4g3)取(4g2)得到的所有平移参数下的R₁′与R₂′的匹配相似度分数数组中的最大值作为R₁与R₂的匹配相似度分数，再将R₁与R₂的匹配相似度分数作为I₁与I₂的匹配相似度分数，I₁与I₂的匹配相似度分数的大小表示I₁与I₂来自同一手掌的概率的大小。

本发明的效果可通过以下实验结果进一步说明：

1.实验条件

在PC机的matlab2012b环境下进行仿真，PC机配置CoreI5处理器，主频为3.3GHz。实验数据库为香港理工大学低分辨率掌纹数据库PolyU_Palmprint_Database，该数据库是国际公认的一个低分辨率掌纹数据库。

2.仿真内容与分析

仿真1，对PolyU_Palmprint_Database数据库中任意两幅掌纹图片都进行一次单次掌纹匹配，得到批量实验结果，根据批量实验结果绘制ROC曲线，得到如图6所示的本发明的ROC曲线图。

单次掌纹匹配过程为：读入模板掌纹图像并提取其感兴趣区域，由各向同性Gabor滤波器作为卷积模板对模板掌纹图像的感兴趣区域进行卷积，对卷积结果图编码得到模板掌纹图像的实部二值编码图、虚部二值编码图、实虚部比较二值编码图；读入待匹配掌纹图片并提取其感兴趣区域，由各向同性Gabor滤波器作为卷积模板对待匹配掌纹图像的感兴趣区域进行卷积，对卷积结果图编码得到待匹配掌纹图像的实部二值编码图、虚部二值编码图、实虚部比较二值编码图。

仿真2，比较本发明与PalmCode方法和FusionCode方法的单次匹配耗时和等错误率。

在matlab2012b环境下实现PalmCode方法程序，对PalmCode方法在PolyU_Palmprint_Database数据库上做与仿真1相同的批量实验，记录PalmCode方法的单次匹配耗时，由批量实验结果求出PalmCode方法的等错误率；

在matlab2012b环境下编写FusionCode方法程序，对FusionCode方法在PolyU_Palmprint_Database数据库上做与仿真1相同的批量实验，记录FusionCode方法的单次匹配耗时，由批量实验结果求出FusionCode方法的等错误率；

由仿真1的批量实验结果求出本发明的等错误率，并记录本发明的单次匹配耗时，结果如表1所示。

匹配方法	单次匹配耗时(秒)	等错误率(％)
			PalmCode方法	0.25	1.11
FusionCode方法	0.92	0.79
			本发明	0.30	0.70

由表1及图6可以看出，本发明能够在保持较低匹配耗时的条件下提高掌纹匹配方法的精确度。

本发明所述的低分辨率无接触的在线掌纹匹配方法，并不仅限于说明书中的描述。凡在本发明的精神和原则之内，所做的任何修改、同等替换、改进等，均包含在本发明的权利要求范围之内。

Claims (6)

1.一种低分辨率无接触的在线掌纹匹配方法，包括如下步骤：

(1)读入模板掌纹图像I₁和待匹配掌纹图像I₂；

(2)提取模板掌纹图像I₁的感兴趣区域R₁和待匹配掌纹图像I₂的感兴趣区域R₂；

(3)对感兴趣区域进行二值编码：

(3a)由各向同性Gabor滤波器函数生成一个行数和列数均为(2M+1)的各向同性Gabor滤波器模板G，其中M为G的中心像素到边界像素的像素距离；

(3b)由均值归零公式将Gabor滤波器模板G的均值调整至零，得到零均值Gabor滤波器模板G₁；

(3c)将零均值Gabor滤波器模板G₁作为卷积模板分别与R₁和R₂做卷积运算，得到R₁的卷积结果图C₁和R₂的卷积结果图C₂；

(3d)取C₁的实部图E₁和虚部图A₁，得到C₁的实虚部绝对值差图EA₁：EA₁＝abs(E₁)-abs(A₁)；

(3e)取C₂的实部图E₂和虚部图A₂，得到C₂的实虚部绝对值差图EA₂：EA₂＝abs(E₂)-abs(A₂)，

其中abs表示求绝对值；

(3f)根据C₁的实部图E₁、虚部图A₁及实虚部绝对值差图EA₁，得到C₁的实部二值编码图B₁₁、虚部二值编码图B₁₂、实虚部比较二值编码图B_EA1：

$\begin{array}{ccc}{B}_{11}=\{\begin{array}{cc}1& E_1>0\\ 0& E_1\≤0\end{array},& B_{12}=\{\begin{array}{cc}1& A_1>0\\ 0& A_1\≤0\end{array},& B_{EA1}=\{\begin{array}{cc}1& {\mathrm{EA}}_1>0\\ 0& {\mathrm{EA}}_1\≤0\end{array};\end{array}$

(3g)根据C₂的实部图E₂、虚部图A₂及实虚部绝对值差图EA₂，得到C₂的实部二值编码图B₂₁、虚部二值编码图B₂₂、实虚部比较二值编码图B_EA2：

$\begin{array}{ccc}{B}_{21}=\{\begin{array}{cc}1& E_2>0\\ 0& E_2\≤0\end{array},& B_{22}=\{\begin{array}{cc}1& A_2>0\\ 0& A_2\≤0\end{array},& B_{EA2}=\{\begin{array}{cc}1& {\mathrm{EA}}_2>0\\ 0& {\mathrm{EA}}_2\≤0\end{array};\end{array}$

(4)计算模板掌纹图像I₁和待匹配掌纹图像I₂的匹配相似度分数：

(4a)固定模板掌纹图像I₁的感兴趣区域R₁，对待匹配掌纹图像I₂的感兴趣区域R₂做水平向右h的像素平移和竖直向上w的像素平移，记录R₁与平移后的R₂的重叠区域，在R₁中将该重叠区域记为R′₁，在R₂中将该重叠区域记为R′₂；

(4b)记录R′₁在R₁中的坐标位置，在B₁₁中取相同坐标位置上的值得到R′₁的实部二值编码图B′₁₁，在B₁₂中取相同坐标位置上的值得到R′₁的虚部二值编码图B′₁₂，在B_EA1中取相同坐标位置上的值得到R′₁的实虚部比较二值编码图B′_EA1；

(4c)记录R′₂在R₂中的坐标位置，在B₂₁中取相同坐标位置上的值得到R′₂的实部二值编码图B′₂₁，在B₂₂中取相同坐标位置上的值得到R′₂的虚部二值编码图B′₂₂，在B_EA2中取相同坐标位置上的值得到R′₂的实虚部比较二值编码图B′_EA2；

(4d)对上述B′_EA1和B′_EA2做按位同或运算得到实虚部比较匹配结果图B_EA，对上述B′₁₁和B′₂₁做按位同或运算得到实部匹配结果图B_R，对上述B′₁₂和B′₂₂做按位同或运算得到虚部匹配结果图B_M；

(4e)对(4d)中的B_EA、B_R和B_M做按位与运算，得到最终匹配结果图B_RM；

(4f)计算B_RM中值为1的坐标点个数占B_RM总坐标点个数的比例，令其作为R′₁与R′₂的匹配相似度分数；

(4g)由各平移参数下的R′₁与R′₂的匹配相似度分数求I₁与I₂的匹配相似度分数：

(4g1)设N为水平方向和竖直方向的最大平移量，水平方向平移量h和竖直方向平移量w均取区间[-N,N]上的整数值，则根据h值和w值的不同组合得到(2N+1)²组平移参数；

(4g2)对步骤(4g1)得到的所有平移参数，重复步骤(4a)～(4f)求出所有平移参数下的R′₁与R′₂的匹配相似度分数数组；

(4g3)取(4g2)得到的所有平移参数下的R′₁与R′₂的匹配相似度分数数组中的最大值作为R₁与R₂的匹配相似度分数，再将R₁与R₂的匹配相似度分数作为I₁与I₂的匹配相似度分数，I₁与I₂的匹配相似度分数的大小表示I₁与I₂来自同一手掌的概率的大小。

2.根据权利要求书1所述的低分辨率无接触的在线掌纹匹配方法，其中所述步骤(3a)中各向同性Gabor滤波器函数，表示如下：

$G(x,y)=\exp (-\frac{x^2+y^2}{2{\mathrm{\δ}}^2})\exp \left(i2\mathrm{\π}F\sqrt{x^2+y^2}\right),$

其中exp为指数函数，x为G中每个像素的横坐标，y为G中每个像素的纵坐标，δ为G的标准差，F为G的频率，

3.根据权利要求书1所述的低分辨率无接触的在线掌纹匹配方法，其中所述步骤(3b)中的均值归零公式，表示如下：

$G_1(x,y)=G(x,y)-\frac{{\mathrm{\Σ}}_{x=-M}^M{\mathrm{\Σ}}_{y=-M}^{M}G(x,y)}{{(2M+1)}^2}.$

4.根据权利要求书1所述的低分辨率无接触的在线掌纹匹配方法，其中所述步骤(3c)中R₁的卷积结果图C₁和R₂的卷积结果图C₂，表示如下：

C₁＝R₁*G₁，

C₂＝R₂*G₁，

其中*为卷积符号。

5.根据权利要求书1所述的低分辨率无接触的在线掌纹匹配方法，其中所述步骤(4d)中由按位同或运算求实虚部比较匹配结果图B_EA、实部匹配结果图B_R、虚部匹配结果图B_M的公式，公式如下：

B_EA＝B′_EA1^B′_EA2，

B_R＝B′₁₁^B′₂₁，

B_M＝B′₁₂^B′₂₂，

其中^表示按位同或运算。

6.根据权利要求书1所述的低分辨率无接触的在线掌纹匹配方法，其中所述步骤(4e)中由按位与运算求R′₁与R′₂的匹配结果图B_RM，公式如下：

B_RM＝B_EA&B_R&B_M，

其中&表示按位与运算。