CN107169445A - 一种大规模掌纹编码和比对方法 - Google Patents
一种大规模掌纹编码和比对方法 Download PDFInfo
- Publication number
- CN107169445A CN107169445A CN201710329602.5A CN201710329602A CN107169445A CN 107169445 A CN107169445 A CN 107169445A CN 201710329602 A CN201710329602 A CN 201710329602A CN 107169445 A CN107169445 A CN 107169445A
- Authority
- CN
- China
- Prior art keywords
- palmprint image
- image block
- palmmprint
- palmprint
- block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种大规模掌纹编码和比对方法,包括:将大规模注册掌纹图像和一张待识别掌纹图像按照统一的坐标系进行图像旋转及平移;每一掌纹图像按照一定尺寸切割成为若干掌纹图像块,其中由注册掌纹图像切割出来的掌纹图像块称为注册掌纹图像块,由待识别掌纹图像切割出来的掌纹图像块称为待识别掌纹图像块;对每一个掌纹图像块构建特征矩阵及细节点矩阵;构建掌纹快速筛选树;利用掌纹图像块的特征矩阵及细节点矩阵,让所有待识别掌纹图像块依次在快速筛选树中检索,得到与待识别掌纹图像块具有相似特征评价指标的注册掌纹图像块,利用掌纹图像块与掌纹图像之间的所属关系,选出与待识别掌纹图像最相似的注册掌纹图像作为最终识别出的掌纹图像。
Description
技术领域
本发明提供一种大规模的掌纹编码、比对方法,属于生物特征识别领域,具体涉及掌纹识别方法。
背景技术
伴随着计算机技术和信息处理与识别技术的不断进步,掌纹识别技术得到了迅猛的发展,现已成为一种成熟、可接受的生物特征识别技术,是可以在公共安全、网络管理、社保、电子门禁等许多领域广泛应用的技术,具有重要的理论研究意义和市场应用价值。
掌纹识别技术分为两个过程:(1)掌纹特征提取过程。通过读取掌纹图像,发现掌纹图像中的掌纹区域,提取掌纹区域中可以对掌纹相互进行区分的特征。将这些特征数据保存在数据库中,并作为这张掌纹的代表,从而完成掌纹特征提取过程;(2)特征比对过程。在提取完新采集的待识别掌纹的特征后,对数据库中的指定注册掌纹或者数据库中全部注册掌纹进行特征比对,确认新采集的掌纹是否和数据库中某一注册掌纹一致的过程为特征比对过程。
掌纹特征提取是掌纹识别的关键问题。一般而言,用来描述掌纹的特征可以分为两大类:局部特征和整体特征。局部特征主要指掌纹中的细节点、纹线、纹理等,这些方法在一定程度上识别精度高,但缺点是计算量大,易受噪声影响,识别速度慢。典型的,仅使用细节点作为特征进行掌纹图像识别的专利申请有:(1)一种掌纹图像细节点特征匹配的方法(申请号201610027853.3);(2)一种掌纹识别方法及系统(申请号201410230906.2)。而基于整体特征的掌纹识别是将掌纹图像看作为一个二维矩阵,利用像素之间的统计特性,从子空间的角度进行特征描述与提取,该类方法虽然忽略了掌纹的纹理特性,但提取了掌纹图像的绝大部分特征信息,且不易受噪声影响。如“低分辨率无接触的在线掌纹匹配方法”(申请号201510345993.0)将图像区域进行卷积、编码,主要用于低分辨率掌纹图像的在线快速匹配。“一种基于局部和全局特征融合的掌纹识别方法”(申请号201510354511.8),该专利申请试图将掌纹的局部特征与整体特诊融合,由此进行掌纹识别。
在大规模掌纹识别场景下,上述方法均不合适:(1)在进行掌纹特征提取环节,仅仅利用上述局部和整体特征是不足以精确区分大规模掌纹图像的掌纹特征,进而导致识别精度显著下降,从而出现所谓的“大库精度衰减”效应,本发明则额外构造稳定特征用于区分大规模的掌纹,进而明显提高识别精度;(2)公开在专利及文献上的主流掌纹识别方法均采用待识别掌纹图像与注册掌纹图像之间“逐一比对”的思路,因此耗时巨大。本发明提出特征快速检索机制,摒弃“逐一比对”的策略,因此显著提高比对效率;(3)本发明还引入了掌纹切块并行处理的方式,将一个面积较大的掌纹切割成为若干小的图像块,分别进行处理。因此在实现本方法时可以直接引入GPU并行计算模式进一步提高计算速度。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种多特征的掌纹编码和比对方法,不仅能够满足一般规模掌纹比对需求,更重要的是可以满足大规模掌纹的快速比对需求,从而可以满足当前及未来掌纹识别市场的发展。
本发明所述一种多特征的大规模掌纹编码和比对方法,如图1所示,包括以下步骤:
步骤S01:输入大规模注册掌纹图像和一张待识别掌纹图像,给全部掌纹图像标记唯一的识别码:PALM_ID;
其中,所述的大规模,一般指数量在百万人及以上的掌纹图像。
其中,所述的PALM_ID识别码可以采用字母、文字、数字或者将三种方式相互结合等方式进行编码,主要目的在于唯一标识每一个掌纹图像。
步骤S02:按照统一的坐标系将全部掌纹图像进行图像旋转及平移;
具体而言:在全部掌纹图像中,以每个掌纹水平主线的起点(A点)与终点(B点)连接一条线段AB,采用“图像处理技术”中的相关方法对掌纹图像旋转,在旋转后的掌纹图像中线段AB平行于图像水平轴;以线段AB的中心点为掌纹图像中心对掌纹图像进行平移;
其中,所述的掌纹水平主线主要指手掌中上部水平走向的粗大屈肌纹。该屈肌纹在传统的掌纹识别中用于掌纹定位与图像对准。水平主线的起点在小拇指侧,终点在大拇指侧。在示意图2中,A点为水平主线起点,B点为主线终点,O点为AB线段的中心点。
步骤S03:将每一掌纹图像按照一定尺寸切割成为若干掌纹图像块。其中由注册掌纹图像切割出来的掌纹图像块称为注册掌纹图像块,由待识别掌纹图像切割出来的掌纹图像块称为待识别掌纹图像块。待全部掌纹都切割成为掌纹图像块后,给每个掌纹图像块唯一的识别码BLOCK_ID。该BLOCK_ID中含有当前掌纹图像块所属掌纹图像的PALM_ID;
其中,所述按照一定尺寸切割成为若干掌纹图像块,其目的在于将尺寸较大的掌纹图拆分为尺寸较小的掌纹图像块,方便后续步骤S04-S08。全部掌纹图像在切割成为掌纹图像块时,掌纹图像块与掌纹图像块之间可以有相互重叠的图像区域,也可以没有。
步骤S04:分别对每一个掌纹图像块构建特征矩阵及细节点矩阵;
其中,所述构建特征矩阵及细节点矩阵包括:通过图像增强、二值化等数字图像处理方法将全部掌纹图像块转变成为掌纹脊线骨架图,在该掌纹脊线骨架图上标记细节点,所述细节点包括终节点及交叉点两种。假设某一掌纹脊线骨架图共计有N个细节点,各细节点的表示方法依据公安部颁发的公共安全行业标准GA426-2008明确细节点特征由三项构成:x轴坐标,y轴坐标及细节点方向与水平线的夹角。可以通过如下的步骤构成特征矩阵:令第i个细节点的位置及角度为αi=(xi,yi,θi),i∈[1,N],N为细节点的个数,顺着第i个细节点追踪掌纹脊线,如果能追溯到第j个细节点,其位置坐标及角度为αj=(xj,yj,θj),j∈[1,N],用直线连接第i,j两点,记录两点之间的距离为Dij。在该直线的中心做垂线,记录垂线与i,j两点之间脊线的交点为k,其位置及角度为αk=(xk,yk,θk)。该结构的示意图如图3所示。记录k点到沿垂线方向到i,j两点之间直线所跨越的纹线数目为Wij,记录第i,j两点的角度差为Cij=|θi-θj|。由此构成一个特征向量vp=(αi,αj,αk,Wij,Dij,Cij),p∈[1,P],其中P是N个细节点中,能组成特征向量的最大个数。纵向排列全部特征向量,由此构成了P行、12列的特征矩阵对于全部N个细节点,αi=(xi,yi,θi),i∈[1,N],纵向排列,构成N行、3列的细节点矩阵可以用 的两个矩阵代表当前掌纹图像块的特征矩阵及细节点矩阵。
步骤S05:构建掌纹快速筛选树。在掌纹快速筛选树的叶子节点登记具有相似特征评价指标的注册掌纹图像块,形成特征评价指标相似的注册掌纹图像块列表;
其中,所述构建掌纹快速筛选树包括:从掌纹快速筛选树的根节点开始,任意挑选Wij、Dij、Cij三个指标中的一个,比如Wij作为第一层分支。令k点沿垂线方向到i,j两点之间直线所跨越的纹线数目可能出现的最大值为Wmax,则可以将掌纹快速筛选树第一层按照预设的纹线分配区间Wavg平均分成Cab1个独立分支,其中在第一层的每个分支下,可以构建第二层分支。对第二层的每个分支,任意选择Dij、Cij两个指标中的一个,比如Dij作为第二层分支。令i,j任两点之间直线距离的最大值为Dmax,则可以将第二层按照预设的直线距离分配区间Davg平均分成Cab2个独立分支,其中在第二层的每个分支下,可以构建第三层分支。第三层选择Cij指标。由于角度差的最大值为180度,则可以将第三层按照预设的角度差区间Davg平均分成Cab3个独立分支,其中由此构建完成掌纹快速筛选树的全部分支(参见图4所示)。进一步开始逐一登记全部注册掌纹图像块:针对当前注册掌纹图像块,取其特征矩阵逐次抽取一行特征向量vp,选择其中的Wij、Dij、Cij指标。从快速筛选树的根节点开始,按照Wij、Dij、Cij三层分支顺序,计算确定当前注册掌纹图像块应登记在第Index1个分支下;从该分支的第二层开始,计算进一步确定当前掌纹图像块应登记在第Index2个分支下;从该分支的下一层开始,计算进一步确定当前掌纹图像块应登记在第Index3个分支下,在该分支下构建筛选树的叶子节点。在该叶子节点登记当前注册掌纹图像块的唯一识别码BLOCK_ID。抽取当前掌纹图像块的下一行特征向量vp+1,重复上述工作直到全部特征向量抽取完毕,开始转入下一注册掌纹图像块的登记工作。
步骤S06:依次利用待识别掌纹图像块的特征矩阵在掌纹快速筛选树中检索与待识别掌纹图像块具有相似特征评价指标的注册掌纹图像块列表。对于每一次这样的检索,在注册掌纹图像块列表中对表中的各掌纹图像块BLOCK_ID识别码出现频次进行统计,将频次最高的若干掌纹图像块取出形成注册掌纹图像块嫌疑列表;
其具体包括:若当前的第p个特征向量包含Wij、Dij、Cij三个指标,针对掌纹快速筛选树,采用公式确定在掌纹快速筛选树的第一层检索进入第Index1个分支,采用公式确定第二层选择第Index2个分支,采用公式确定第三层检索进入第Index3个分支。在第三层的叶子节点中,提取出全部注册掌纹图像块的BLOCK_ID,将其加入掌纹图像块相似列表,开始处理第p+1个特征向量。当全部特征向量检索到的掌纹图像块BLOCK_ID识别码都加入掌纹图像块相似列表后,统计该列表中掌纹图像块BLOCK_ID识别码出现的频数并按照频数从高到低对BLOCK_ID进行排序。依经验,预先设定一个频数的阈值,在掌纹图像块相似列表中将高于这个阈值的全部掌纹图像块BLOCK_ID识别码加入掌纹比对嫌疑列表。
步骤S07:将待识别掌纹图像块的细节点矩阵逐一地与掌纹比对嫌疑列表中注册掌纹图像块的细节点矩阵进行比对,将比对相似度最高的注册掌纹图像块的BLOCK_ID取出,提取出其中对应的PALM_ID识别码放入掌纹相似选择列表中;
具体而言:将待识别掌纹图像块的矩阵逐一地与掌纹比对嫌疑列表中全部注册掌纹图像块的特征矩阵采用目前流行的基于细节点特征的掌纹特征比对,得到一个相似度的数值。在逐一比对结束后,在全部对结果中,将比对相似度最高的注册掌纹图像块的BLOCK_ID取出。由于BLOCK_ID中包含有PALM_ID,所以可以从中提取出对应的PALM_ID识别码放入掌纹相似选择列表中。
步骤S08:当全部待识别掌纹图像块依次全部比对结束后,判断掌纹相似选择列表中出现频数最高的PALM_ID识别码是否超过预设的次数阈值,如果超过则认为待识别掌纹图像在全部注册掌纹图像中找到了与其一致的掌纹图像,否则就认为没有找到待识别掌纹图像。
本发明具有如下有益的技术效果,
(1)本发明提出一种多特征的掌纹编码、比对方法,用于在大规模掌纹图像中快速准确的进行掌纹比对。随着掌纹应用的日益广泛,本发明的有益技术效果更加明显;
(2)本发明构建的掌纹特征编码方式,有效克服了在大规模掌纹数据中,仅以细节点或者纹线作为掌纹特征导致掌纹区分能力不足的困境;
(3)本发明构建的掌纹快速筛选树方案可以在大规模掌纹比对中极大的缩小掌纹比对范围,提高掌纹比对速度。
附图说明
图1本发明实施方法的流程图;
图2本发明中掌纹图像水平主线连接线段及图像旋转平移中心点示意图;
图3本发明中细节点与纹线结合的多特征计算结构示意图;
图4本发明中掌纹快速筛选树示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
实施例:
如图1所示,本发明具体包括以下步骤:
步骤S01:输入大规模注册掌纹图像和一张待识别掌纹图像,给全部掌纹图像标记唯一的识别编码:PALM_ID;
可以依次设定注册掌纹图像的唯一PALM_ID表示码为ZW0001、ZW0002、ZW0003等,设定待识别掌纹图像的PALM_ID标识码为QZW01。
步骤S02:按照统一的坐标系将全部掌纹图像进行图像旋转及平移;
假定当前掌纹为左掌。掌纹图像的左上角为图像坐标原点,全图为2304像素高(X轴水平向右为正方向),2034像素宽(Y轴竖直向下为正方向)。图像的中心点坐标应该为(1152,1152)。假定主线的起始点A坐标为(1728,1102),终止点B坐标为(576,1202)。连接A、B两点,形成直线段AB,令其中线点为O,通过图像旋转公式得到图像各点的新坐标,其中O点的坐标变为比较(1152,1152)点与点之间的坐标距离差,将整个图像按照这个坐标距离进行水平与竖直方向移动,使点在图像中的新坐标为(1152,1152),并成为图像的中心点。此时A、B两点的新坐标变为:(1730,1152)、(574,1152)。
步骤S03:将每一掌纹图像按照一定尺寸切割成为若干掌纹图像块。其中由注册掌纹图像切割出来的掌纹图像块称为注册掌纹图像块,由待识别掌纹图像切割出来的掌纹图像块称为待识别掌纹图像块。待全部掌纹都切割成为掌纹图像块后,给每个掌纹图像块唯一的识别码BLOCK_ID。该BLOCK_ID中含有当前掌纹图像块所属掌纹图像的PALM_ID;
本发明实施例中所有掌纹图像均为2304像素高,2034像素宽。由此可以按照256像素*256像素的图像块大小,切割为81个大小一致的图像块,每个块之间无重叠区域,按照从左至右从上到下的顺序给这81个图像块定义序号。例如第一个注册掌纹图像的第一个图像块的BLOCK_ID可以定义为ZW0001B1,第一个注册掌纹图像的第二个图像块的BLOCK_ID可以定义为ZW0001B2。由此所有掌纹图像切割出来的全部图像块的识别码是唯一的。
步骤S04:分别对每一个掌纹图像块构建特征矩阵及细节点矩阵;
依次从全部掌纹图像块中选取一个掌纹图像块作为当前掌纹图像块构建特征矩阵。假定当前掌纹图像块中有100个细节点,例如选取第1个细节点,其位置及角度为α1=(30,40,45),顺着第1个细节点追踪掌纹脊线,能追溯到第10个细节点,其位置及角度为α10=(200,50,135),则用直线连接第1、10两点,计算得到两点之间的直线距离为170。在该直线的中心做垂线,记录垂线与1、10两点之间脊线的交点的位置及角度为αk=(100,90,2)。记录该点到沿垂线方向到第1、10两点之间直线所跨越的纹线数目为5,记录第1,10两点的角度差为90。由此构成一个特征向量v1=(30,40,45,200,50,135,100,90,2,5,170,90)。假定针对所有细节点,共找到了20个这样的特征向量,因此可以构成特征矩阵此外,对于全部100个细节点,构成100行,3列的细节点矩阵至此用的两个矩阵代表当前掌纹图像块的全部特征。进一步可以开始构建下一掌纹图像块的特征矩阵。
步骤S05:构建掌纹快速筛选树。在掌纹快速筛选树的叶子节点登记具有相似特征评价指标的注册掌纹图像块,形成特征评价指标相似的注册掌纹图像块列表;
具体而言,构建掌纹快速筛选树的过程如下:按照Wij构建第一层分支。设定跨越纹线数的最大值为20,预设的纹线分配区间宽度为4,则平均分成个独立分支。对于第一层的每一个分支,选择Dij作为第二层分支。设定直线距离的最大值为400,预设的直线距离分配区间宽度为20,则平均分成个独立分支。对于第二层的每一个分支,第三层选择Cij指标。由于角度差的最大值为180度,则预设角度分配区间宽度为30,则平均分成个独立分支。
将掌纹图像块注册到掌纹快速筛选树的过程如下:逐一登记全部注册掌纹图像块,针对当前第一个注册掌纹图像块,取其特征矩阵逐行抽取特征向量,比如抽取第一行特征向量v1中Wp,Dp,Cp三个指标的值分别为5、170、90。从掌纹快速筛选树的根节点开始,计算确定落在第2个分支内;从该分支的第二层开始,计算确定落在第9个分支内;从该分支的第三层开始,计算确定落在第3个分支内,由此抵达掌纹快速筛选树的叶子节点。在该叶子节点记录当前注册掌纹图形块的BLOCK_ID识别码。抽取该掌纹图像块的第二行特征向量,重复上述工作直到全部特征向量抽取完毕,开始转入下一注册掌纹图像块的登记工作直至全部注册工作完成。
步骤S06:依次利用待识别掌纹图像块的特征矩阵在掌纹快速筛选树中检索与待识别掌纹图像块具有相似特征评价指标的注册掌纹图像块列表。对于每一次这样的检索,在注册掌纹图像块列表中对表中的各掌纹图像块BLOCK_ID识别码出现频次进行统计,将频次最高的若干掌纹图像块取出来形成注册掌纹图像块嫌疑列表;
取得待识别掌纹图像块的特征向量第1行,取出其包含W1,D1,C1三个指标的值为6、179,93。针对掌纹快速筛选树,计算确定第一层选择第2个分支,计算确定第二层选择第9个分支,计算确定第三层选择第4个分支。在第三层的叶子节点中,取出全部掌纹图像块BLOCK_ID识别码(ZW0010B1、ZW0019B2、ZW0030B3、ZW0040B4),将其加入掌纹图像块相似列表中,开始处理第2个特征向量。取得特征向量第2行,取出其包含W2,D2,C2三个指标的值为19、254、126。针对快速筛选树,计算确定第一层选择第5个分支,计算确定第二层选择第13个分支,计算确定第三层选择第5个分支。在第三层的叶子节点中,取出全部掌纹图像块的BLOCK_ID识别码(ZW0011B1、ZW0019B2、ZW0031B3、ZW0040B3),将其加入掌纹图像块相似列表中,开始处理第3个特征向量。当全部特征向量检索到的掌纹图像块BLOCK_ID识别码都放入掌纹图像块相似列表后,对相似列表中的掌纹图像块BLOCK_ID识别码出现频数统计。ZW0011B1掌纹图像块共计统计到30次,ZW0040B3掌纹图像块共计统计到25次,ZW0019B2掌纹图像块统计到21次,ZW0008B8号掌纹图像块统计到17次,依次类推。设定频数的阈值为20次,则掌纹比对嫌疑列表中存入ZW0011B1、ZW0040B3、ZW0019B2三个掌纹图像块的BLOCK_ID识别码。
步骤S07:将待识别掌纹图像块的细节点矩阵逐一地与掌纹比对嫌疑列表中注册掌纹图像块的细节点矩阵进行比对,将比对相似度最高的注册掌纹图像块的BLOCK_ID取出,提取出其中对应的PALM_ID识别码放入掌纹相似选择列表中;
利用待识别掌纹图像块的细节点矩阵依次和ZW0011B1、ZW0040B3、ZW0019B2三个掌纹图像块的细节点矩阵进行比对。其中ZW0040B3掌纹图像块的比对相似度最高,将ZW0040B3这个掌纹图像块的PALM_ID识别码ZW0040放入掌纹相似选择列表中;
步骤S08:当全部待识别掌纹图像块依次全部比对结束后,判断掌纹相似选择列表中出现频数最高的PALM_ID识别码是否超过预设的次数阈值,如果超过则认为待识别掌纹图像在全部注册掌纹图像中找到了与其一致的掌纹图像,否则就认为没有找到待识别掌纹图像。
在全部待识别掌纹图像块比对结束后,在掌纹相似选择列表中出现频数最高的PALM_ID识别码为ZW0429,它超过了预设的次数阈值,因此最终认定编号为ZW0429的掌纹作为待匹配掌纹图像的比中结果。
总之,本发明通过掌纹特征编码及快速筛选树的方式在大规模掌纹图像中快速、准确的完成比对任务。
上面对本发明的较佳实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种大规模掌纹编码和比对方法,其特征包括:
步骤S01:输入大规模注册掌纹图像和一张待识别掌纹图像,给全部掌纹图像标记唯一的识别码:PALM_ID;其中所述大规模一般指百万人及以上的掌纹图像数量;
步骤S02:按照统一的坐标系将全部掌纹图像进行图像旋转及平移;
步骤S03:将每一掌纹图像按照一定尺寸切割成为若干掌纹图像块,其中由注册掌纹图像切割出来的掌纹图像块称为注册掌纹图像块,由待识别掌纹图像切割出来的掌纹图像块称为待识别掌纹图像块,待全部掌纹图像都切割成为掌纹图像块后,给每个掌纹图像块唯一的识别码BLOCK_ID,该BLOCK_ID中含有当前掌纹图像块所属掌纹图像的PALM_ID;
步骤S04:分别对每一个掌纹图像块构建特征矩阵及细节点矩阵,具体步骤如下:
(1)将全部掌纹图像块转变成为掌纹脊线骨架图,在该掌纹脊线骨架图上标记细节点,所述细节点包括终节点及交叉点两种;每一细节点由x轴坐标,y轴坐标、细节点方向与水平线的夹角三项构成;
(2)构建特征矩阵
令第i个细节点的位置及角度为αi=(xi,yi,θi),i∈[1,N],N为细节点的个数,顺着第i个细节点追踪掌纹脊线,如果能追溯到第j个细节点,第j个细节点位置坐标及角度为αj=(xj,yj,θj),j∈[1,N],用直线连接第i,j两点,两点之间的距离为Dij,在所述直线的中心做垂线,记录垂线与i,j两点之间掌纹脊线的交点为k,所述交点的位置及角度为αk=(xk,yk,θk),k点到沿垂线方向到i,j两点之间直线所跨越的掌纹纹线数目为Wij,第i,j两点的角度差为Cij=|θi-θj|,由此构成一个特征向量vp=(αi,αj,αk,Wij,Dij,Cij),p∈[1,P],其中P是N个细节点中能组成特征向量的最大个数,纵向排列全部特征向量,构成P行、12列的特征矩阵
(3)细节点矩阵为:对于全部N个细节点αi=(xi,yi,θi),i∈[1,N],纵向排列,构成N行、3列的细节点矩阵
步骤S05:构建掌纹快速筛选树,在筛选树的叶子节点登记具有相似特征评价指标的注册掌纹图像块,形成特征评价指标相似的注册掌纹图像块列表;
步骤S06:依次利用待识别掌纹图像块的特征矩阵在掌纹快速筛选树中检索与待识别掌纹图像块具有相似特征评价指标的注册掌纹图像块列表,对于每一次这样的检索,在注册掌纹图像块列表中对表中的各掌纹图像块BLOCK_ID的识别码出现频次进行统计,将频次最高的若干张掌纹图像块取出形成注册掌纹图像块嫌疑列表;
步骤S07:将待识别掌纹图像块的细节点矩阵逐一地与掌纹比对嫌疑列表中注册掌纹图像块的细节点矩阵进行比对,将比对相似度最高的注册掌纹图像块的BLOCK_ID取出,提取出其中对应的PALM_ID识别码放入掌纹相似选择列表中;
步骤S08:当全部待识别掌纹图像块依次全部比对结束后,判断掌纹相似选择列表中出现频数最高的PALM_ID识别码是否超过预设的次数阈值,如果超过则认为待识别掌纹图像在注册掌纹图像中找到了与其一致的掌纹图像,否则就认为没有找到待识别掌纹图像。
2.根据权利要求1所述的一种大规模掌纹特征编码和比对方法,其特征在于:步骤S05中,所述构建掌纹快速筛选树包括:从掌纹快速筛选树的根节点开始,任意挑选特征矩阵中的特征评价指标Wij、Dij、Cij三个指标中的一个开始,以Wij作为第一层分支,令k点到沿垂线方向到i,j两点之间直线所跨越的纹线数目可能出现的最大值为Wmax,则将掌纹快速筛选树第一层按照预设的纹线分配区间Wavg平均分成Cab1个独立分支,其中在第一层的每个分支下,构建第二层分支,对第二层的每个分支,任意选择Dij、Cij两个指标中的一个,以Dij作为第二层分支,令i,j任两点之间直线距离的最大值为Dmax,则将第二层按照预设的直线距离分配区间Davg平均分成Cab2个独立分支,其中在第二层的每个分支下,构建第三层分支;第三层选择Cij指标,由于角度差的最大值为180度,则将第三层按照预设的角度差区间Davg平均分成Cab3个独立分支,其中由此构建完成掌纹快速筛选树的全部分支,形成掌纹快速筛选树。
3.根据权利要求1所述的一种大规模掌纹特征编码和比对方法,其特征在于:步骤S05中,在掌纹快速筛选树的叶子节点登记具有相似特征评价指标的注册掌纹图像块,形成特征评价指标相似的注册掌纹图像块列表过程为:针对当前注册掌纹图像块,取其特征矩阵逐次抽取一行特征向量vp,选择其中的Wij、Dij、Cij指标,从掌纹快速筛选树的根节点开始,按照Wij、Dij、Cij三层分支顺序,计算确定当前注册掌纹图像块应登记在第Index1个分支下;从该分支的第二层开始,计算进一步确定当前掌纹图像块应登记在第Index2个分支下;从该分支的下一层开始,计算进一步确定当前掌纹应登记在第Index3个分支下,在该分支下构建掌纹快速筛选树的叶子节点,在该叶子节点登记当前注册掌纹图像块的BLOCK_ID识别码,抽取当前掌纹图像块的下一行特征向量vp+1,重复上述工作直到全部特征向量抽取完毕,开始转入下一注册掌纹图像块的登记工作,直至形成特征评价指标相似的掌纹图像块列表。
4.根据权利要求1所述的一种大规模掌纹特征编码和比对方法,其特征在于:步骤S06具体实现过程为:若当前的第p个特征向量包含Wij、Dij、Cij三个指标,针对掌纹快速筛选树,采用公式确定在掌纹筛选树的第一层检索进入第Index1个分支,采用公式确定第二层选择第Index2个分支,采用公式确定第三层检索进入第Index3个分支,在第三层的叶子节点中,提取出全部注册掌纹图像块BLOCK_ID识别码,将其加入特征评价指标相似的掌纹图像块列表,开始处理第p+1个特征向量,当全部特征向量检索到的掌纹图像块BLOCK_ID识别码都加入特征评价指标相似的掌纹图像块列表后,统计该列表中BLOCK_ID识别码出现的频数;按照BLOCK_ID识别码出现的频数从高到低排序,依经验预先设定一个出现频数的阈值,最终将高于这个阈值的全部BLOCK_ID识别码作为掌纹图像块嫌疑列表。
5.根据权利要求1所述的一种大规模掌纹特征编码和比对方法,其特征在于:步骤S07具体实现过程为:将待识别掌纹图像块的矩阵逐一地与掌纹图像块嫌疑列表中全部注册掌纹图像块的特征矩阵采用目前流行的基于细节点的掌纹特征比对,得到一个相似度的数值,在逐一比对结束后,在全部比对结果中,将比对相似度最高的注册掌纹图像块的BLOCK_ID取出,由于BLOCK_ID中包含有PALM_ID,则从中提取出对应的PALM_ID识别码放入掌纹相似选择列表中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329602.5A CN107169445B (zh) | 2017-05-11 | 2017-05-11 | 一种大规模掌纹编码和比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329602.5A CN107169445B (zh) | 2017-05-11 | 2017-05-11 | 一种大规模掌纹编码和比对方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169445A true CN107169445A (zh) | 2017-09-15 |
CN107169445B CN107169445B (zh) | 2020-07-03 |
Family
ID=59814937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710329602.5A Active CN107169445B (zh) | 2017-05-11 | 2017-05-11 | 一种大规模掌纹编码和比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169445B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
CN111814781A (zh) * | 2019-04-11 | 2020-10-23 | 富士通株式会社 | 用于对图像块识别结果进行校正的方法、设备和存储介质 |
CN112905591A (zh) * | 2021-02-04 | 2021-06-04 | 成都信息工程大学 | 一种基于机器学习的数据表连接顺序选择方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166842A (zh) * | 2014-07-25 | 2014-11-26 | 同济大学 | 一种基于分块统计特征与联合表示的三维掌纹识别方法 |
US20150036894A1 (en) * | 2013-07-30 | 2015-02-05 | Fujitsu Limited | Device to extract biometric feature vector, method to extract biometric feature vector, and computer-readable, non-transitory medium |
CN105488473A (zh) * | 2015-12-01 | 2016-04-13 | 北京东方金指科技有限公司 | 一种多特征融合的海量指纹编码和比对方法 |
-
2017
- 2017-05-11 CN CN201710329602.5A patent/CN107169445B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150036894A1 (en) * | 2013-07-30 | 2015-02-05 | Fujitsu Limited | Device to extract biometric feature vector, method to extract biometric feature vector, and computer-readable, non-transitory medium |
CN104166842A (zh) * | 2014-07-25 | 2014-11-26 | 同济大学 | 一种基于分块统计特征与联合表示的三维掌纹识别方法 |
CN105488473A (zh) * | 2015-12-01 | 2016-04-13 | 北京东方金指科技有限公司 | 一种多特征融合的海量指纹编码和比对方法 |
Non-Patent Citations (2)
Title |
---|
岳峰: "掌纹识别算法综述", 《自动化学报》 * |
李善广: "基于分块的掌纹识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
CN111814781A (zh) * | 2019-04-11 | 2020-10-23 | 富士通株式会社 | 用于对图像块识别结果进行校正的方法、设备和存储介质 |
CN112905591A (zh) * | 2021-02-04 | 2021-06-04 | 成都信息工程大学 | 一种基于机器学习的数据表连接顺序选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107169445B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN104063706B (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN107316001A (zh) | 一种自动驾驶场景中小且密集的交通标志检测方法 | |
CN108921822A (zh) | 基于卷积神经网络的图像目标计数方法 | |
CN110136154A (zh) | 基于全卷积网络与形态学处理的遥感图像语义分割方法 | |
CN106778757A (zh) | 基于文本显著性的场景文本检测方法 | |
CN107341523A (zh) | 基于深度学习的快递单信息识别方法和系统 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN110197113B (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
CN109558902A (zh) | 一种快速目标检测方法 | |
CN107169445A (zh) | 一种大规模掌纹编码和比对方法 | |
CN108280190A (zh) | 图像分类方法、服务器及存储介质 | |
CN106778768A (zh) | 基于多特征融合的图像场景分类方法 | |
CN108154151B (zh) | 一种快速多方向文本行检测方法 | |
CN107153824A (zh) | 基于图聚类的跨视频行人重识别方法 | |
CN110032983B (zh) | 一种基于orb特征提取和flann快速匹配的轨迹识别方法 | |
CN106874421A (zh) | 基于自适应矩形窗口的图像检索方法 | |
CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
CN107085731A (zh) | 一种基于rgb‑d融合特征与稀疏编码的图像分类方法 | |
CN108021920A (zh) | 一种图像对象协同发现的方法 | |
CN104978583B (zh) | 人物动作的识别方法及装置 | |
CN107644203A (zh) | 一种形状自适应分类的特征点检测方法 | |
CN114998445A (zh) | 一种图像稀疏点立体匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |