CN106022218B - 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 - Google Patents

Abstract

一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，包括以下步骤：1)采集到掌纹、掌静脉图像，然后分别进行感兴趣区域提取；2)对输入的ROI图像做基于小波变换和Gabor滤波的图像层融合：采用二维Mallat算法进行小波分解ROI之后的掌纹掌静脉图像，采用Gabor滤波器对高频子图像进行纹理的增强，最后采用二维Mallat快速算法对图像进行重构，得到融合后的图像；3)对得到的融合图像采用基于子空间的特征提取；4)采用最近邻分类器进行分类。本发明提供一种安全性较高、识别率较高的基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法。

Description

一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合 方法

技术领域

本发明涉及接触式生物特征身份识别技术领域，尤其是一种掌纹、掌静脉的融合方法。

背景技术

计算机的普遍性和必要性是当今信息技术发展的必然结果，致使整个社会成为信息和网络的结合体，如何进一步加强社会信息化和网络化的安全性成为如今迫切需要解决问题的重中之重，而身份认证就是古往今来所使用的一种基本方法。传统的身份认证有两种方式，一种是基于标志物(钥匙、证件)的身份认证；另外一种是基于知识(密码，卡号)的身份认证，但这两者的缺陷都是通过“身外之物”进行身份认证，而这些身外之物容易被伪造或者冒充，要消除这些隐患必须摒弃这些身外之物，寻求一种对个人自身独有的特征进行认证的识别技术，即生物识别技术。

物识别技术是对人体自身所拥有的生物特征进行自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，行为特征包括手写签名、声纹、步态等。行为特征不具备一定的精确度，并且容易被模仿和假冒，在实际使用中存在一定的不安全性。虹膜、指纹等这些人体识别技术容易被仿冒且容易取得。因此掌纹静脉特征识别技术是一种安全性很高的身份识别技术。

发明内容

为了克服已有身份验证方式的安全性较差、识别率较低的不足，本发明提供一种安全性较高、识别率较高的基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法。

本发明解决其技术问题所采用的技术方案是：

一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，所述方法包括以下步骤：

1)采集到掌静脉、掌纹图像，做感兴趣区域ROI提取；

2)对输入的ROI图像做基于小波变换和Gabor滤波器的图像层融合，过程如下：

采用二维Mallat算法进行小波分解ROI提取之后的掌纹掌静脉，分解后得到低频分量、水平边缘的高频分量、竖直边缘、对角线的高频分量图像；

通过小波变换得到图像的低频和高频分量，其中低频分量包括图像的近似信息，高频分量包含图像的细节信息，采用Gabor滤波器对高频子图像进行纹理的增强；

采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，得到融合后的图像；

3)对得到的融合图像采用基于子空间的特征提取；

4)采用最近邻分类器进行分类。

进一步，所述步骤2)中，采用二维Mallat算法进行小波分解，设高通滤波器H和低通滤波器G是两个一维镜像滤波算子，它们的下标r和c分别表示行和列，那么在j-1的尺度上Mallat分解公式表示为如式(1)：

这里，分别对应于图像C_j-1的低频分量，以及竖直方向、水平方向和对角线上的高频分量，H_r,H_c,G_r,G_c表示的是滤波算子分别对图像的行和列进行卷积；

得到掌纹和手掌静脉图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后，采用二维Gabor滤波器进行增强，二维Gabor滤波器由高斯包络和复平面波两个部分组成，函数形式如式(2)所示：

其中，σ_x,σ_y表示沿x轴和y轴高斯包络的标准差，f表示滤波器的中心频率；

掌纹在手掌中的走势以水平方向和竖直方向为主，掌纹和静脉的低频分量都具有很好的区分度，掌纹和掌静脉在水平方向和垂直方向的高频分量信息较明显，其他方向上的高频分量不明显，采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，如式(3)：

I(x,y)＝ω^-1(φ(G(ω(I₁(x,y),ω(I₂(x,y))))) (3)

其中，ω表示小波变换，ω^-1表示小波逆变换，φ是融合规则，I₁和I₂分别表示掌纹和掌静脉图像，G代表Gabor滤波器变换。

再进一步，所述步骤1)中，通过850nm近红外LED、红色LED光源和高清CCD的前端采集装置分别采集手掌静脉、掌纹图像，定义小拇指与无名指之间的点为P1，坐标为(X_P1,Y_P1)，中指和食指之间的点P2，坐标为(X_P2,Y_P2)，连接P1与P2，则线段P1P2与水平线的夹角为θ，将手掌图像逆时针旋转θ角度，旋转的角度θ如式(4)所示：

这里，把线段P1P2作为矩形的宽，矩形的高H＝1.2×P1P2，在线段P1P2下方40个像素点处截取矩形作为ROI图像。

更进一步，所述步骤3)中，基于子空间的特征提取过程如下：

首先，采用2DPCA算法进行特征的降维，假设待训练图像矩阵A_ij为m×n，设模式类别有c个ω₁,ω₂,ω₃,…,ω_c，每类有训练样本n_i个，将待训练样本图像A_ij构建协方差矩阵，公式如式(5)：

其中，M为训练样本的总数，为训练样本的总体均值矩阵；

接着，计算协方差矩阵S的特征值λ_i和对应的特征向量u_i，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G＝[u₁,u₂,u₃,…,u_L]；

接下来，用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征，将样本图像A_ij，总体样本均值每类均值在刚才得到的投影空间G＝[u₁,u₂,u₃,…,u_L]中进行投影，到对应投影空间中的B_ij,如式(6)所示：

同时构建类内离散度矩阵H_w，类间离散度矩阵H_b，定义如公式(7)所示：

其中，M为训练样本的总数，n_i为每类训练样本数；

根据fisher准则函数定义如公式(8)所示：

X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量，得到如公式(9)所示：

H_bX＝λH_wX H_w ^-1H_bX＝λX (9)

当类内散布矩阵H_w非奇异时，对应矩阵H_w ^-1H_b的最大特征值对应的特征矢量，即使得准则函数J(X)最大化时的X，即为最佳投影方向X，所以计算的特征值k_i，和对应的特征向量l_i，将特征值由大到小的顺序排序；

取前L个特征值对应的特征向量作为最佳的投影方向矩阵W＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)所示：

C_ij＝W^TA_ij (10)。

所述步骤4)中，每一幅掌纹掌静脉原始图像对应一幅融合图像，每一幅融合图像对应一个特征矩阵，对于要测试的掌纹、静脉样本，将图像融合后，在特征子空间中投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，最终采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

其中，m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系：

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。

本发明的技术构思为：生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，这些生物特征拥有足够的稳定性，不会随着年龄的增长，时间的改变而改变。基于生物特征的身份验证系统，提供了更大程度的安全性。尽管有各种各样的生物特征可以识别一个人的身份，但人的手掌特征是最新型的也是最成功的生物特征识别技术。掌部生物特征识别技术主要分为：手背静脉识别技术，手指静脉识别技术，手掌静脉识别技术和手掌掌纹识别技术。目前在国内外对掌部特征识别的研究大多是基于单一特征的识别，而单一特征的识别必然有其缺陷。所以，近年来，生物特征识别领域又出现了一个新的发展方向——多特征生物识别技术。从理论上说，它是一种基于多种特征信息进行融合的识别技术，将多种不同优势的单一生物特征进行融合，从而获得任何一种单一特征所不可能具有的全面特性的识别技术。己经有实践表明，多特征生物识别技术能够全面、有效地提高身份识别系统的整体性能，达到单一生物特征识别技术所无法实现的理想效果。

对采集到的掌纹掌静脉图像分别进行感兴趣区域提取，主要包括：采用分块局部极值快速检测关键点，从而提取感兴趣区域。对得到的感兴趣区域分别进行小波分解，得到低频分量、水平边缘的高频分量、竖直边缘、对角线的高频分量图像，采用Gabor滤波器的实部对高频子图像进行纹理的增强，提取图像中的脊状纹理，然后进行融合重构。对增强后的静脉图像采用基于子空间的2DPCA和2DFLD相结合的特征提取算法，与单一算法相比可以极大地较减少高纬度矩阵的计算量，进一步冗余特征，提高了识别的速度

本发明的有益效果主要表现在：安全性较高，识别率较高。

附图说明

图1为一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法流程图；

图2为图像的融合过程的流程图，其中，(a)为掌I图像，(b)为掌静脉图像，(c)为掌纹的低频分量图像，(d)为掌纹的水平边缘高频分量图像，(e)为掌纹竖直边缘的高频分量图像，(f)为掌静脉的低频分量图像，(g)为掌静脉的水平边缘高频分量图像，(h)为掌静脉竖直边缘的高频分量图像，(i)为掌纹的低频分量图像，(j)为掌纹的水平边缘高频分量经过Gabor滤波器增强后的图像，(k)为掌纹的垂直边缘高频分量经过Gabor滤波器增强后的图像，(l)为掌静脉的低频分量图像，(m)为掌静脉的水平边缘高频分量经过Gabor滤波器增强后的图像，(n)为掌静脉的垂直边缘高频分量经过Gabor滤波器增强后的图像，(p)为融合图像。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，过程如下：

1)采集到掌静脉、掌纹图像做感兴趣区域ROI提取

通过850nm近红外LED、红色LED光源和高清CCD的前端采集装置分别采集手掌静脉、掌纹图像，定义小拇指与无名指之间的点为P1，坐标为(X_P1,Y_P1)，中指和食指之间的点P2，坐标为(X_P2,Y_P2)，连接P1与P2，则线段P1P2与水平线的夹角为θ，将手掌图像逆时针旋转θ角度，旋转的角度θ如式(4)所示：

这里我们把线段P1P2作为矩形的宽，矩形的高H＝1.2×P1P2，在线段P1P2下方40个像素点处截取矩形作为ROI。

2)对输入的ROI图像做基于小波变换和Gabor滤波的图像层融合

(2.1)对ROI的掌纹掌静脉图像进行小波分解

采用二维Mallat算法进行小波分解，设高通滤波器H和低通滤波器G是两个一维镜像滤波算子，它们的下标r和c分别表示行和列，那么在j-1的尺度上Mallat分解公式可以表示为如式(1)：

这里，分别对应于图像C_j-1的低频分量，以及竖直方向、水平方向和对角线上的高频分量，H_r,H_c,G_r,G_c表示的是滤波算子分别对图像的行和列进行卷积；

(2.2)采用二维Gabor滤波器对分解后的高频分量进行增强

得到掌纹和手掌静脉图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后，采用二维Gabor滤波器进行增强，二维Gabor滤波器由高斯包络和复平面波两个部分组成，函数形式如式(2)所示：

其中，σ_x,σ_y表示沿x轴和y轴高斯包络的标准差，f表示滤波器的中心频率。

(2.3)图像融合

掌纹在手掌中的走势以水平方向和竖直方向为主，掌纹和静脉的低频分量都具有很好的区分度，掌纹和掌静脉在水平方向和垂直方向的高频分量信息较明显，其他方向上的高频分量不明显，采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用式(3)二维Mallat快速算法对图像进行重构

I(x,y)＝ω^-1(φ(G(ω(I₁(x,y),ω(I₂(x,y))))) (3)

其中，ω表示小波变换，ω^-1表示小波逆变换，φ是融合规则，I₁和I₂分别表示掌纹和掌静脉图像，G代表Gabor滤波器变换。

3)对融合后的图像采用2DPCA和2DFLD相结合的特征提取方法，

首先采用2DPCA算法进行特征的降维，假设待训练图像矩阵A_ij为m×n，设模式类别有c个ω₁,ω₂,ω₃,…,ω_c，每类有训练样本n_i个，将待训练样本图像A_ij构建协方差矩阵，公式如式(5)：

其中，M为训练样本的总数，为训练样本的总体均值矩阵；

接着计算协方差矩阵S的特征值λ_i和对应的特征向量u_i，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G＝[u₁,u₂,u₃,…,u_L]；

接下来用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征。将样本图像A_ij，总体样本均值每类均值在刚才得到的投影空间G＝[u₁,u₂,u₃,…,u_L]中进行投影，到对应投影空间中的B_ij,如式(6)所示：

同时构建类内离散度矩阵H_w，类间离散度矩阵H_b，定义如公式(7)所示：

其中，M为训练样本的总数，n_i为每类训练样本数；

根据fisher准则函数定义如公式(8)所示：

X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量，得到如公式(9)所示：

H_bX＝λH_wX H_w ^-1H_bX＝λX (9)

当类内散布矩阵H_w非奇异时，对应矩阵H_w ^-1H_b的最大特征值对应的特征矢量，即使得准则函数J(X)最大化时的X，即为最佳投影方向X，所以计算的特征值k_i，和对应的特征向量l_i，将特征值由大到小的顺序排序；

取前L个特征值对应的特征向量作为最佳的投影方向矩阵W＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)所示：

C_ij＝W^TA_ij (10)

4)采用最近邻分类器进行分类

每一幅掌纹掌静脉原始图像对应一幅融合图像，每一幅融合图像对应一个特征矩阵，对于要测试的掌纹、静脉样本，将图像融合后，在特征子空间中投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，最终采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

其中，m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系。

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。

实验结果：本实验采用实验室自制的掌纹掌静脉采集装置，分别采集实验人员25人的手掌掌纹和静脉图像，其中每人采集右手10幅掌纹和10幅静脉图像，其中前5幅掌纹和掌静脉作为训练样本，后5幅作为识别测试样本，进行识别性能测试。总计样本数量25×20＝500。表1是对掌纹和静脉的单模态以及掌纹和静脉的三个融合层次进行识别率、识别时间和等错误率进行性能比较。

表1

从表1中看出可以看出本文采用的的图像层融合算法比单模态算法具有更高的识别率，达到了99.20％，主要是因为采用了图像层的融合，使得图像信息更加丰富，从而得到较好的区分度，尽管识别时间相较于单模态算法偏长，但相差不大。

Claims (1)

1.一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述方法包括以下步骤：

1)采集到掌静脉、掌纹图像，做感兴趣区域ROI提取；

2)对输入的ROI图像做基于小波变换和Gabor滤波器的图像层融合，过程如下：

采用二维Mallat算法进行小波分解ROI提取之后的掌纹掌静脉，分解后得到低频分量、水平边缘的高频分量、竖直边缘、对角线的高频分量图像；

通过小波变换得到图像的低频和高频分量，其中低频分量包括图像的近似信息，高频分量包含图像的细节信息，采用Gabor滤波器对高频子图像进行纹理的增强；

采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，得到融合后的图像；

3)对得到的融合图像采用基于子空间的特征提取；

4)采用最近邻分类器进行分类；

所述步骤2)中，采用二维Mallat算法进行小波分解，设高通滤波器H和低通滤波器G是两个一维镜像滤波算子，它们的下标r和c分别表示行和列，那么在j-1的尺度上Mallat分解公式表示为如式(1)：

这里，分别对应于图像C_j-1的低频分量，以及竖直方向、水平方向和对角线上的高频分量，H_r,H_c,G_r,G_c表示的是滤波算子分别对图像的行和列进行卷积；

得到掌纹和手掌静脉图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后，采用二维Gabor滤波器进行增强，二维Gabor滤波器由高斯包络和复平面波两个部分组成，函数形式如式(2)所示：

其中，σ_x,σ_y表示沿x轴和y轴高斯包络的标准差，f表示滤波器的中心频率；

掌纹在手掌中的走势以水平方向和竖直方向为主，掌纹和静脉的低频分量都具有很好的区分度，掌纹和掌静脉在水平方向和垂直方向的高频分量信息较明显，其他方向上的高频分量不明显，采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，如式(3)：

I(x,y)＝ω^-1(φ(G(ω(I₁(x,y),ω(I₂(x,y))))) (3)

其中，ω表示小波变换，ω^-1表示小波逆变换，φ是融合规则，I₁和I₂分别表示掌纹和掌静脉图像，G代表Gabor滤波器变换；

所述步骤1)中，通过850nm近红外LED、红色LED光源和高清CCD的前端采集装置分别采集手掌静脉、掌纹图像，定义小拇指与无名指之间的点为P1，坐标为(X_P1,Y_P1)，中指和食指之间的点P2，坐标为(X_P2,Y_P2)，连接P1与P2，则线段P1P2与水平线的夹角为θ，将手掌图像逆时针旋转θ角度，旋转的角度θ如式(4)所示：

这里，把线段P1P2作为矩形的宽，矩形的高H＝1.2×P1P2，在线段P1P2下方40个像素点处截取矩形作为ROI图像；

所述步骤3)中，基于子空间的特征提取过程如下：

首先，采用2DPCA算法进行特征的降维，假设待训练图像矩阵A_ij为m×n，设模式类别有c个ω₁,ω₂,ω₃,…,ω_c，每类有训练样本n_i个，将待训练样本图像A_ij构建协方差矩阵，公式如式(5)：

其中，M为训练样本的总数，为训练样本的总体均值矩阵；

接着，计算协方差矩阵S的特征值λ_i和对应的特征向量u_i，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G＝[u₁,u₂,u₃,…,u_L]；

接下来，用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征，将样本图像A_ij，总体样本均值每类均值在刚才得到的投影空间G＝[u₁,u₂,u₃,…,u_L]中进行投影，到对应投影空间中的B_ij,如式(6)所示：

同时构建类内离散度矩阵H_w，类间离散度矩阵H_b，定义如公式(7)所示：

其中，M为训练样本的总数，n_i为每类训练样本数；

根据fisher准则函数定义如公式(8)所示：

X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量，得到如公式(9)所示：

H_bX＝λH_wX H_w ^-1H_bX＝λX (9)

当类内散布矩阵H_w非奇异时，对应矩阵H_w ^-1H_b的最大特征值对应的特征矢量，即使得准则函数J(X)最大化时的X，即为最佳投影方向X，所以计算的特征值k_i，和对应的特征向量l_i，将特征值由大到小的顺序排序；

取前L个特征值对应的特征向量作为最佳的投影方向矩阵W＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)所示：

C_ij＝W^TA_ij (10)；

所述步骤4)中，每一幅掌纹掌静脉原始图像对应一幅融合图像，每一幅融合图像对应一个特征矩阵，对于要测试的掌纹、静脉样本，将图像融合后，在特征子空间中投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，最终采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

其中，m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系：

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。