CN107292273A - 基于特异扩展八邻域双Gabor掌纹ROI匹配方法 - Google Patents

基于特异扩展八邻域双Gabor掌纹ROI匹配方法 Download PDF

Info

Publication number
CN107292273A
CN107292273A CN201710507345.XA CN201710507345A CN107292273A CN 107292273 A CN107292273 A CN 107292273A CN 201710507345 A CN201710507345 A CN 201710507345A CN 107292273 A CN107292273 A CN 107292273A
Authority
CN
China
Prior art keywords
msub
mrow
image
gabor
msup
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
Application number
CN201710507345.XA
Other languages
English (en)
Other versions
CN107292273B (zh
Inventor
赵恒�
肖凯
赵伟强
庞辽军
王�华
钟瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710507345.XA priority Critical patent/CN107292273B/zh
Publication of CN107292273A publication Critical patent/CN107292273A/zh
Application granted granted Critical
Publication of CN107292273B publication Critical patent/CN107292273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Abstract

本发明属于数字图像处理技术领域，公开了一种基于特异扩展八邻域双Gabor掌纹ROI匹配方法，包括：输入待匹配掌纹ROI图像和模板掌纹ROI图像，进行双Gabor滤波；进行方向编码处理，得到编码图像；对编码图像的异变度进行归一化编码，筛选出异变度最高的点；将两幅编码图像进行影像金字塔计算获得1、1/2尺度的变换图像；获得各个尺度图像采样点的偏移量，找出采样点偏移后的位置；通过计算采样点之间的相对位置与偏移后采样点之间的相对位置得到初步匹配分数；计算两幅掌纹异变度归一化编码的重合度，结合初步匹配分数获得最终的匹配分数；通过设定固定阈值判断是否为真匹配。本发明能够准确地进行掌纹图像ROI匹配。

Description

基于特异扩展八邻域双Gabor掌纹ROI匹配方法
技术领域
本发明属于数字图像处理技术领域，尤其涉及一种基于特异扩展八邻域双Gabor掌纹ROI匹配方法。
背景技术
当今社会已经进入信息时代，传统的以密码为特征的生物特征识别技术，如口令码、PIN码等越来越难以满足当下的信息安全需求。生物特征识别作为一种颇具应用价值和前景的技术手段能够提高身份认证的安全性，并能以更加便捷的方式满足日常生活中的加解密需求。在对稳定性、识别精度、用户接受度、便捷程度以及低硬件成本等方面综合考量下，发现掌纹识别与传统生物特征识别相比具有天然优势。这些固有的诸多优点也使得掌纹识别技术作为一种新兴的生物特征识别技术逐步进入大众视野，掌纹识别技术已在近年来成为生物特征识别应用领域的热点之一。在自动掌纹识别系统中，掌纹ROI图像识别率的提升主要是靠对掌纹特征提取与掌纹匹配算法设计这两个关键点进行优化改进。目前国际上通用的掌纹识别系统主要利用的掌纹的方向信息，对掌纹方向信息进编码后再进行识别匹配。基于方向的掌纹识别方法普遍存在三个不足：一方面，低分辨率掌纹采集设备采集的掌纹图像清晰度有限，这导致准确提取掌纹方向信息难度较大；另一方面，被采集者本身手掌的疤痕、乱纹等不稳定特征也会干扰方向的提取，造成错误提取；再一方面，掌纹采集时容易发生旋转平移，会对掌纹ROI图像造成整体方向的干扰，导致两张匹配图像之间误识率增大。现有的掌纹匹配方法提取掌纹方法的信息几乎都是依托Gabor滤波器，单纯的Gabor的稳定性与鲁棒性较差，无法进一步稳定提升识别精度。其他类似相位相关匹配算法，一般都是均匀采点，对于提取的特征没有针对性，识别精度较低。
综上所述，现有技术存在的问题是：现有的掌纹匹配算法提取掌纹方法存在Gabor的稳定性与鲁棒性较差，识别精度低。
发明内容
针对现有技术存在的问题，本发明提供了一种基于特异扩展八邻域双Gabor掌纹ROI匹配方法。
本发明是这样实现的，一种基于特异扩展八邻域双Gabor掌纹ROI匹配方法，所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法包括以下步骤：
步骤一，输入待匹配掌纹ROI图像和模板掌纹ROI图像，对这两个图像的进行双Gabor滤波；
步骤二，对两幅图像的滤波结果进行方向编码处理，得到编码图像；
步骤三，依据扩展八邻域求取编码图像各个像素点的方向异变度，并对编码图像的异变度进行归一化编码，筛选出异变度最高的一些点；
步骤四，将两幅编码图像进行影像金字塔计算获得1、1/2尺度的变换图像；
步骤五，将同尺度图像的采样点进行对应的BLPOC计算，获得各个尺度图像采样点的偏移量，进而找出采样点偏移后的位置；
步骤六，通过计算采样点之间的相对位置与偏移后采样点之间的相对位置得到初步匹配分数；
步骤七，计算两幅掌纹异变度归一化编码的重合度，结合初步匹配分数获得最终的匹配分数；
步骤八，通过设定固定阈值，如果匹配分数大于阈值则认为掌纹为真匹配，否则为假匹配。
进一步，所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法包括以下步骤：
(1)分别获得待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)，其中ROI图像是对完整掌纹图像部分截取的128*128像素的正方形区域，(x,y)表示掌纹ROI图像R(x,y)与模板掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示双Gabor滤波信息RG(m,n)和滤波信息双Gabor滤波信息R'G(m,n)的像素点坐标；
(2)对双Gabor滤波信息RG(m,n)和R'G(m,n)进行局部竞争编码，获得待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)；
(3)对待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)分别进行下采样，通过影像金字塔计算将局部竞争编码图像LC(x,y)与LC'(x,y)分别进行尺度为的缩放后，获得尺度下的局部竞争码缩放图像与
(4)将局部竞争编码图LC(x,y)与LC'(x,y)与尺度下的局部竞争码缩放图像与根据图像异变度分别进行抽样，分别获得num＝169个采样点，对应169个以采样点为中心的抽样图像块：
(4a)将局部竞争编码图LC(x,y)依据窗口为13×13大小的扩展八邻域求每个像素点的方向异变度f，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应6×6的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量Diff；
(4b)根据局部竞争编码图LC(x,y)的采样点的位置确定局部竞争编码图LC'(x,y)的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量Diff'；
(4c)将尺度下的局部竞争码缩放图像依据窗口为7×7大小的扩展八邻域求每个像素点的方向异变度hf，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应4×4的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量X；
(4d)根据尺度下的局部竞争码缩放图像的采样点的位置确定尺度下的局部竞争码缩放图像的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量X'；
(5)基于对局部竞争编码图LC(x,y)与LC'(x,y)与缩放尺度下的局部竞争编码图与分别进行BLPOC计算，分别获得对应的偏移量分别为(δ1，δ'1)和局部竞争编码图LC(x,y)与LC'(x,y)图像采样点的偏移量为(δ，δ')，δ与δ'按照如下公式计算：
d对应以取样点为中心的图像块的个数为169；
(6)通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'，将偏移量还原出局部竞争编码图LC(x,y)采样点对应在局部竞争编码图LC'(x,y)上的位置，这些位置上的点为采样点的还原点，通过比较还原点之间的位置信息，获得图像的匹配分数s"，将s'与s"结合则得出最终的匹配分数s。
进一步，所述步骤(1)的双Gabor滤波包括：
1)建立双Gabor核函数：
按照以下公式建立Gabor核函数
两个核函数共称为双Gabor滤波核函数，其中x、y为像素点的坐标，λ为波长，θ为方向角度，为相位偏移，σ为Gabor函数的高斯因子的标准差，γ为输入图像的长宽比，t为滤波器窗大小；
2)确定滤波器的滤波窗口分别为t＝3，确定双Gabor滤波核函数的方向为No＝12个，12个方向的角度分别为 以及响应阈值rt＝0.0135；
3)获取待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)：
(a)建立双Gabor滤波器；
(b)运用建立的双Gabor滤波器对待匹配掌纹ROI图像R(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R(x,y)的所有像素点后获得t滤波窗口的滤波结果r(x,y)，每个像素点保留最小的两个信息，组成待匹配掌纹图像的双Gabor滤波信息RG(m,n)；
(c)运用建立的双Gabor滤波器对模板掌纹ROI图像R'(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R'(x,y)的所有像素点后获得t1滤波窗口的滤波结果r'(x,y)，每个像素点保留最小的两个信息，组成模板掌纹图像的双Gabor滤波信息R'G(m,n)。
进一步，所述步骤(2)的局部竞争编码包括：
1)根据双Gabor滤波信息RG(m,n)为r(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值rt1 min保留，剩余的响应值中小于rt的rt2 min，其他舍弃，如果不存在小于rt的rt2 min，则rt2 min＝0；
2)对RG(m,n)在坐标(m,n)处留下的两个响应rt1 min(m,n)与rt2 min(m,n)所对应的方向进行编码，方向以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表rt1 min(m,n)所对应的方向的编码，M代表rt2 min(m,n)所对应的方向的编码，则局部竞争编码LC(x,y)＝2N+M；
3)根据双Gabor滤波信息R'G(m,n)为r'(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值r1 t1 min保留，剩余的响应值中小于rt的r1 t2 min，其他舍弃，如果不存在小于rt的r1 t2 min，则r1 t2 min＝0；
4)对R'G(m,n)在坐标(m,n)处留下的两个响应r1 t1 min(m,n)与r1 t2 min(m,n)所对应的方向进行编码，方向以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表r1 t1 min(m,n)所对应的方向的编码，M代表r1 t2 min(m,n)所对应的方向的编码，则局部竞争编码LC'(x,y)＝2N+M。
进一步，所述步骤(3)的进行下采样是按照以下公式进行：
与
(xh,yh)代表图像像素点的坐标，通过原图像计算尺度图像。
进一步，所述步骤(4)的抽样模式以及采样点对应抽样像素块的方式包括：
1)建立扩展八邻域模型：
(a)处理原图大小的扩展八邻域模型的尺寸为7×7，以像素x为中心，周边空余2个像素圈，在第三圈取八邻域，若像素x的原始坐标为(x0，y0)，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0-3，y0+3)、(x0，y0+3)、(x0+3，y0+3)、(x0+3，y0)、(x0+3，y0-3)、(x0，y0-3)、(x0-3，y0-3)、(x0-3，y0)；
(b)处理原图大小的扩展八邻域模型的尺寸为5×5，以像素x'为中心，周边空余1个像素圈，在第二圈取八邻域，若像素x'的原始坐标为(x0'，y0')，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0'-2，y0'+2)、(x0'，y0'+2)、(x0'+2，y0'+2)、(x0'+2，y0')、(x0'+2，y0'-2)、(x0'，y0'-2)、(x0'-2，y0'-2)、(x0'-2，y0')；
2)利用扩展八邻域模型计算一个像素点的异变度的计算流程如下：
(a)以像素x的局部编码值为基准，依次比较扩展八邻域的八个点的局部编码值，大于与等于则值为1，小于则为0；
(b)异变度值初始为diff＝0，以扩展八邻域左上的点为基准顺时针遍历，如果下一点的值与当前点的值不一样，则diff加1，最终diff的值即为该像素x的异变度，整幅图像的异变度向量Diffi(i＝1,...,num)，num＝169为采样点与采样点对应图像块的个数；
3)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点按照如下方式选取：
(a)对模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)去边后分成13×13共169个图像块，对每个图像块利用扩展八邻域进行异变度提取，每个图像块选择异变度最大的点当做采样点，则169个图像块对应169个采样点；
(b)提取模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点的坐标，在待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)对应位置采169个采样点；
4)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，以各自的采样点为中心建立4*4像素大小的抽样像素块，169个采样点则可得到169个像素块。
进一步，所述步骤(5)的BLPOC计算是针对图像块与块之间的计算，待计算的图像对为两张大小为N*N的图像块f(n1,n2)与g(n1,n2)，其中，n1＝-M1,...,M1(M1＞0)，n2＝-M2,...,M2(M2＞0)，具体计算步骤如下：
1)对f(n1,n2)与g(n1,n2)进行二维离散傅里叶变换，定义如下：
式中，k1＝-M1,...,M1(M1＞0)，k2＝-M2,...,M2(M2＞0)，AF(k1,k2)和AF(k1,k2)为幅度，θF(k1,k2)和θG(k1,k2)为相位；
2)计算归一化互功率谱RFG(k1,k2)来表示相位信息：
式中，为G(k1,k2)的复共轭矩阵，θ(k1,k2)＝θF(k1,k2)-θG(k1,k2)；
3)将频率范围限定在k1＝-K1,...,K1(0≤K1≤M1)，k2＝-K2,...,K2(0≤K2≤M2)，有效皮普范围被确定在L1＝2K1+1与L2＝2K2+1，BLPOC函数将作为RFG(k1,k2)反变换改进后的表示如下：
式中n1＝-K1,...,K1，n2＝-K2,...,K2。
进一步，所述步骤(6)通过s'与s"结合则得出最终的匹配分数s，的具体计算步骤如下：
1)依据通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'如下式：
2)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，两张编码图分别提取相邻两点之间的距离dj(j＝1,...,168)与dj'(j＝1,...,168)，则通过比较还原点之间的位置信息获得图像的匹配分数s"计算如下式：
3)s'与s"结合则得出最终的匹配分数s如下式：
s＝α·s'+β·s"；
与β为权值，相加和为1。
本发明的另一目的在于提供一种使用所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法的自动掌纹识别系统。
本发明的优点及积极效果为：首先，通过扩大中心点信息的代表力度，实现了更为全面的局部编码，使得掌纹方向特征提取更为准确。其次，依托于扩展八邻域，求取异变度，获得了更具有特征代表性的采样点，为传统影像金字塔计算提供了指导。最后，将异变度信息进一步利用，转化成具有旋转不变性的良好特征，丰富了匹配手段。本文方法通过这几点改进，将传统掌纹识别匹配算法的0.04％左右的EER值降低至0.0108047％，实验室识别准确率达到99.99％，掌纹ROI匹配更为准确(EER越低，正确率越高，匹配更为准确)。
附图说明
图1是本发明实施例提供的基于特异扩展八邻域双Gabor掌纹ROI匹配方法流程图。
图2是本发明实施例提供的基于特异扩展八邻域双Gabor掌纹ROI匹配方法的实现流程图。
图3是本发明实施例提供的特异扩展八邻域模型示意图。
图4是本发明实施例提供的异变度计算示意图。
图5是本发明实施例提供的图像对比示意图；
图中：(a)是本发明掌纹ROI图像；(b)是双Gabor滤波图像；(c)是局部竞争编码后的图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于特异扩展八邻域双Gabor掌纹ROI匹配方法包括以下步骤：
S101：输入待匹配掌纹ROI图像和模板掌纹ROI图像，对这两个图像的进行双Gabor滤波；
S102：对两幅图像的滤波结果进行方向编码处理，得到编码图像；
S103：依据扩展八邻域求取编码图像各个像素点的方向异变度，并对编码图像的异变度进行归一化编码，筛选出异变度最高的一些点；
S104：将两幅编码图像进行影像金字塔计算获得1、1/2尺度的变换图像；
S105：将同尺度图像的采样点进行对应的BLPOC计算，获得各个尺度图像采样点的偏移量，进而找出采样点偏移后的位置；
S106：通过计算采样点之间的相对位置与偏移后采样点之间的相对位置得到初步匹配分数；
S107：计算两幅掌纹异变度归一化编码的重合度，结合初步匹配分数获得最终的匹配分数；
S108：通过设定固定阈值，如果匹配分数大于阈值则认为掌纹为真匹配，否则为假匹配。
如图2所示，本发明实施例提供的基于特异扩展八邻域双Gabor掌纹ROI匹配方法具体包括以下步骤：
(1)分别获得待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)，其中ROI图像是对完整掌纹图像部分截取的128*128像素的正方形区域，(x,y)表示掌纹ROI图像R(x,y)与模板掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示双Gabor滤波信息RG(m,n)和滤波信息双Gabor滤波信息R'G(m,n)的像素点坐标；
(2)对双Gabor滤波信息RG(m,n)和R'G(m,n)进行局部竞争编码，获得待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)；
(3)对待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)分别进行下采样，通过影像金字塔计算将局部竞争编码图像LC(x,y)与LC'(x,y)分别进行尺度为的缩放后，获得尺度下的局部竞争码缩放图像与
(4)将局部竞争编码图LC(x,y)与LC'(x,y)与尺度下的局部竞争码缩放图像与根据图像异变度分别进行抽样，分别获得num＝169个采样点，对应169个以采样点为中心的抽样图像块：
(4a)将局部竞争编码图LC(x,y)依据窗口为13×13大小的扩展八邻域求每个像素点的方向异变度f，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应6×6的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量Diff；
(4b)根据局部竞争编码图LC(x,y)的采样点的位置确定局部竞争编码图LC'(x,y)的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量Diff'；
(4c)将尺度下的局部竞争码缩放图像依据窗口为7×7大小的扩展八邻域求每个像素点的方向异变度hf，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应4×4的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量X；
(4d)根据尺度下的局部竞争码缩放图像的采样点的位置确定尺度下的局部竞争码缩放图像的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量X'；
(5)基于步骤(4)对局部竞争编码图LC(x,y)与LC'(x,y)与缩放尺度下的局部竞争编码图与分别进行BLPOC计算，分别获得对应的偏移量分别为(δ1，δ'1)和局部竞争编码图LC(x,y)与LC'(x,y)图像采样点的偏移量为(δ，δ')，δ与δ'按照如下公式计算：
d对应以取样点为中心的图像块的个数为169；
(6)基于步骤(4)(5)通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'，将偏移量还原出局部竞争编码图LC(x,y)采样点对应在局部竞争编码图LC'(x,y)上的位置，这些位置上的点为采样点的还原点，通过比较还原点之间的位置信息，可获得图像的匹配分数s"，将s'与s"结合则得出最终的匹配分数s；
步骤(1)的双Gabor滤波是按照以下步骤进行：
(1.1)建立双Gabor核函数：
按照以下公式建立Gabor核函数
两个核函数共称为双Gabor滤波核函数，其中x、y为像素点的坐标，λ为波长，θ为方向角度，为相位偏移，σ为Gabor函数的高斯因子的标准差，γ为输入图像的长宽比，t为滤波器窗大小；
(1.2)确定滤波器基本参数，根据实验，确定滤波器的滤波窗口分别为t＝3，确定双Gabor滤波核函数的方向为No＝12个，12个方向的角度分别为 以及响应阈值rt＝0.0135；
(1.3)获取待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)：
(1.3a)利用公式(2)建立双Gabor滤波器；
(1.3b)运用(1.3a)建立的双Gabor滤波器对待匹配掌纹ROI图像R(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R(x,y)的所有像素点后获得t滤波窗口的滤波结果r(x,y)，每个像素点保留最小的两个信息，组成待匹配掌纹图像的双Gabor滤波信息RG(m,n)；
(1.3c)运用(1.3a)建立的双Gabor滤波器对模板掌纹ROI图像R'(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R'(x,y)的所有像素点后获得t1滤波窗口的滤波结果r'(x,y)，每个像素点保留最小的两个信息，组成模板掌纹图像的双Gabor滤波信息R'G(m,n)。
步骤(2)的局部竞争编码是按照以下步骤进行：
(2.1)根据(1.3b)双Gabor滤波信息RG(m,n)为r(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值rt1 min保留，剩余的响应值中小于rt的rt2 min，其他舍弃，如果不存在小于rt的rt2 min，则rt2 min＝0；
(2.2)对RG(m,n)在坐标(m,n)处留下的两个响应rt1 min(m,n)与rt2 min(m,n)所对应的方向进行编码，方向以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表rt1 min(m,n)所对应的方向的编码，M代表rt2 min(m,n)所对应的方向的编码，则局部竞争编码LC(x,y)＝2N+M；
(2.3)根据(1.3c)双Gabor滤波信息R'G(m,n)为r'(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值r1 t1 min保留，剩余的响应值中小于rt的r1 t2 min，其他舍弃，如果不存在小于rt的r1 t2 min，则r1 t2 min＝0；
(2.4)对R'G(m,n)在坐标(m,n)处留下的两个响应r1 t1 min(m,n)与r1 t2 min(m,n)所对应的方向进行编码，方向 以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表r1 t1 min(m,n)所对应的方向的编码，M代表r1 t2 min(m,n)所对应的方向的编码，则局部竞争编码LC'(x,y)＝2N+M。
步骤(3)的进行下采样是按照以下公式进行：
与
(xh,yh)代表图像像素点的坐标，通过原图像计算尺度图像。
步骤(4)的抽样模式以及采样点对应抽样像素块的方式如下：
(4.1)根据图3建立扩展八邻域模型：
(4.1.a)处理原图大小的扩展八邻域模型的尺寸为7×7，以像素x为中心，周边空余2个像素圈，在第三圈取八邻域，若像素x的原始坐标为(x0，y0)，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0-3，y0+3)、(x0，y0+3)、(x0+3，y0+3)、(x0+3，y0)、(x0+3，y0-3)、(x0，y0-3)、(x0-3，y0-3)、(x0-3，y0)；
(4.1.b)处理原图大小的扩展八邻域模型的尺寸为5×5，以像素x'为中心，周边空余1个像素圈，在第二圈取八邻域，若像素x'的原始坐标为(x0'，y0')，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0'-2，y0'+2)、(x0'，y0'+2)、(x0'+2，y0'+2)、(x0'+2，y0')、(x0'+2，y0'-2)、(x0'，y0'-2)、(x0'-2，y0'-2)、(x0'-2，y0')；
(4.2)如图4所示，利用扩展八邻域模型计算一个像素点的异变度的计算流程如下：
(4.2.a)以像素x的局部编码值为基准，依次比较扩展八邻域的八个点的局部编码值，大于与等于则值为1，小于则为0；
(4.2.b)异变度值初始为diff＝0，以扩展八邻域左上的点为基准顺时针遍历，如果下一点的值与当前点的值不一样，则diff加1，最终diff的值即为该像素x的异变度，整幅图像的异变度向量Diffi(i＝1,...,num)，num＝169为采样点与采样点对应图像块的个数；
(4.3)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点按照如下方式选取：
(4.3a)对模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)去边后分成13×13共169个图像块，对每个图像块利用扩展八邻域进行异变度提取，每个图像块选择异变度最大的点当做采样点，则169个图像块对应169个采样点；
(4.3b)提取模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点的坐标，在待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)对应位置采169个采样点；
(4.4)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，以各自的采样点为中心建立4*4像素大小的抽样像素块，169个采样点则可得到169个像素块。
步骤(5)的BLPOC计算是针对图像块与块之间的计算，
假定待计算的图像对为两张大小为N*N的图像块f(n1,n2)与g(n1,n2)，其中，n1＝-M1,...,M1(M1＞0)，n2＝-M2,...,M2(M2＞0)，具体计算步骤如下：
(5.1)对f(n1,n2)与g(n1,n2)进行二维离散傅里叶变换，定义如下：
式中，k1＝-M1,...,M1(M1＞0)，k2＝-M2,...,M2(M2＞0)，AF(k1,k2)和AF(k1,k2)为幅度，θF(k1,k2)和θG(k1,k2)为相位；
(5.2)计算归一化互功率谱RFG(k1,k2)来表示相位信息，即：
式中，为G(k1,k2)的复共轭矩阵，θ(k1,k2)＝θF(k1,k2)-θG(k1,k2)；
(5.3)将频率范围限定在k1＝-K1,...,K1(0≤K1≤M1)，k2＝-K2,...,K2(0≤K2≤M2)，有效皮普范围被确定在L1＝2K1+1与L2＝2K2+1，BLPOC函数将作为RFG(k1,k2)反变换改进后的表示如下：
式中n1＝-K1,...,K1，n2＝-K2,...,K2。
步骤(5)所指偏移量(δ1，δ'1)是函数尖峰点的坐标，即尖峰点的坐标即为偏移量。
步骤(6)的通过s'与s"结合则得出最终的匹配分数s，的具体计算步骤如下：
(6.1)依据步骤(4.2.b)通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'如下式：
(6.2)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，两张编码图分别提取相邻两点之间的距离dj(j＝1,...,168)与dj'(j＝1,...,168)，则通过比较还原点之间的位置信息获得图像的匹配分数s"计算如下式：
(6.3)s'与s"结合则得出最终的匹配分数s如下式：
s＝α·s'+β·s" (11)
α与β为权值，相加和为1。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的基于特异扩展八邻域双Gabor掌纹ROI匹配方法具体包括以下步骤：
步骤1：分别获得待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)，其中ROI图像是对完整掌纹图像部分截取的128*128像素的正方形区域，(x,y)表示掌纹ROI图像R(x,y)与模板掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示双Gabor滤波信息RG(m,n)和滤波信息双Gabor滤波信息R'G(m,n)的像素点坐标；
步骤2：对双Gabor滤波信息RG(m,n)和R'G(m,n)进行局部竞争编码，获得待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)；
步骤3：对待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)分别进行下采样，通过影像金字塔计算将局部竞争编码图像LC(x,y)与LC'(x,y)分别进行尺度为的缩放后，获得尺度下的局部竞争码缩放图像与
步骤4：将局部竞争编码图LC(x,y)与LC'(x,y)与尺度下的局部竞争码缩放图像与根据图像异变度分别进行抽样，分别获得num＝169个采样点，对应169个以采样点为中心的抽样图像块；
步骤5：对局部竞争编码图LC(x,y)与LC'(x,y)与缩放尺度下的局部竞争编码图与分别进行BLPOC计算，分别获得对应的偏移量分别为(δ1，δ'1)和局部竞争编码图LC(x,y)与LC'(x,y)图像采样点的偏移量为(δ，δ')，δ与δ'按照如下公式计算：
d对应以取样点为中心的图像块的个数为169；
步骤6：通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'，将偏移量还原出局部竞争编码图LC(x,y)采样点对应在局部竞争编码图LC'(x,y)上的位置，这些位置上的点为采样点的还原点，通过比较还原点之间的位置信息，可获得图像的匹配分数s"，将s'与s"结合则得出最终的匹配分数s；
步骤7：对PolyU数据库做遍历实验，将数据库的每一张掌纹图像作为一次模板掌纹与其他掌纹图像做一次匹配，获得数据库任意两张掌纹图像之间的匹配分数sj(j＝1,...,a)，进而得到本发明的匹配分数阈值TH，PolyU是指香港中文大学公开的掌纹库，a指匹配的总次数。
下面结合仿真对本发明的应用效果作详细的描述。
1、仿真条件
在PC机的MATLAB.R2015b环境下进行仿真，PC机配置CoreI7处理器，主频为3.4-GHz。仿真掌纹图像来自于PolyU数据库，掌纹图像大小为128像素×128像素，PolyU数据库是国际公认的掌纹识别数据库之一。
2、仿真内容与结果分析
仿真1，用本发明的方法获得掌纹图像的局部竞争编码图像，如图5所示，其中图5(a)为掌纹图像PolyU_002_S_02.bmp，图5(b)为掌纹图像PolyU_002_S_02.bmp的局部竞争编码图，图5(c)为普通竞争码编码图。
仿真2，用本发明的方法对PolyU数据库做遍历识别匹配实验，本次仿真的匹配分数阈值为0.067334，EER求解为0.0108047％。
实验表明，本发明能够准确的进行掌纹图像配准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法包括以下步骤：
步骤一，输入待匹配掌纹ROI图像和模板掌纹ROI图像，对这两个图像的进行双Gabor滤波；
步骤二，对两幅图像的滤波结果进行方向编码处理，得到编码图像；
步骤三，依据扩展八邻域求取编码图像各个像素点的方向异变度，并对编码图像的异变度进行归一化编码，筛选出异变度最高的一些点；
步骤四，将两幅编码图像进行影像金字塔计算获得1、1/2尺度的变换图像；
步骤五，将同尺度图像的采样点进行对应的BLPOC计算，获得各个尺度图像采样点的偏移量，进而找出采样点偏移后的位置；
步骤六，通过计算采样点之间的相对位置与偏移后采样点之间的相对位置得到初步匹配分数；
步骤七，计算两幅掌纹异变度归一化编码的重合度，结合初步匹配分数获得最终的匹配分数；
步骤八，通过设定固定阈值，如果匹配分数大于阈值则认为掌纹为真匹配，否则为假匹配。
2.如权利要求1所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法包括以下步骤：
(1)分别获得待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)，其中ROI图像是对完整掌纹图像部分截取的128*128像素的正方形区域，(x,y)表示掌纹ROI图像R(x,y)与模板掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示双Gabor滤波信息RG(m,n)和滤波信息双Gabor滤波信息R'G(m,n)的像素点坐标；
(2)对双Gabor滤波信息RG(m,n)和R'G(m,n)进行局部竞争编码，获得待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)；
(3)对待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)和模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)分别进行下采样，通过影像金字塔计算将局部竞争编码图像LC(x,y)与LC'(x,y)分别进行尺度为的缩放后，获得尺度下的局部竞争码缩放图像与
(4)将局部竞争编码图LC(x,y)与LC'(x,y)与尺度下的局部竞争码缩放图像与根据图像异变度分别进行抽样，分别获得num＝169个采样点，对应169个以采样点为中心的抽样图像块：
(4a)将局部竞争编码图LC(x,y)依据窗口为13×13大小的扩展八邻域求每个像素点的方向异变度f，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应6×6的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量Diff；
(4b)根据局部竞争编码图LC(x,y)的采样点的位置确定局部竞争编码图LC'(x,y)的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量Diff'；
(4c)将尺度下的局部竞争码缩放图像依据窗口为7×7大小的扩展八邻域求每个像素点的方向异变度hf，将所有异变度进行统一编码，筛选出异变度排名前169的点，选出的每个点对应4×4的像素块，将选出的每张图片的169个点的异变度的编码值合并成一个异变度向量X；
(4d)根据尺度下的局部竞争码缩放图像的采样点的位置确定尺度下的局部竞争码缩放图像的169个采样点，同样对应169个以采样点为中心的抽样图像块，将这169个点的异变度的编码值合并成一个异变度向量X'；
(5)基于对局部竞争编码图LC(x,y)与LC'(x,y)与缩放尺度下的局部竞争编码图与分别进行BLPOC计算，分别获得对应的偏移量分别为(δ1，δ'1)和局部竞争编码图LC(x,y)与LC'(x,y)图像采样点的偏移量为(δ，δ')，δ与δ'按照如下公式计算：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>&amp;delta;</mi> <mo>=</mo> <msub> <mi>&amp;delta;</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;delta;</mi> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>&amp;delta;</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <msup> <msub> <mi>&amp;delta;</mi> <mn>1</mn> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <msup> <mi>&amp;delta;</mi> <mo>&amp;prime;</mo> </msup> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>i</mi> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>d</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
d对应以取样点为中心的图像块的个数为169；
(6)通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'，将偏移量还原出局部竞争编码图LC(x,y)采样点对应在局部竞争编码图LC'(x,y)上的位置，这些位置上的点为采样点的还原点，通过比较还原点之间的位置信息，获得图像的匹配分数s"，将s'与s"结合则得出最终的匹配分数s。
3.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(1)的双Gabor滤波包括：
1)建立双Gabor核函数：
按照以下公式建立Gabor核函数
<mrow> <mover> <mi>G</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;lambda;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <mi>&amp;phi;</mi> <mo>,</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;gamma;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> <mi>&amp;sigma;</mi> </mrow> </mfrac> <mo>{</mo> <mn>1</mn> <mo>-</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mi>x</mi> <mrow> <mo>&amp;prime;</mo> <mn>2</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <msup> <mi>y</mi> <mrow> <mo>&amp;prime;</mo> <mn>2</mn> </mrow> </msup> </mrow> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mfrac> <msup> <mi>x</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;lambda;</mi> </mfrac> <mo>+</mo> <mi>&amp;phi;</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>;</mo> </mrow>
两个核函数共称为双Gabor滤波核函数，其中x、y为像素点的坐标，λ为波长，θ为方向角度，为相位偏移，σ为Gabor函数的高斯因子的标准差，γ为输入图像的长宽比，t为滤波器窗大小；
2)确定滤波器的滤波窗口分别为t＝3，确定双Gabor滤波核函数的方向为No＝12个，12个方向的角度分别为 以及响应阈值rt＝0.0135；
3)获取待匹配掌纹ROI图像R(x,y)的双Gabor滤波信息RG(m,n)和模板掌纹ROI图像R'(x,y)的双Gabor滤波信息R'G(m,n)：
(a)建立双Gabor滤波器；
(b)运用建立的双Gabor滤波器对待匹配掌纹ROI图像R(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R(x,y)的所有像素点后获得t滤波窗口的滤波结果r(x,y)，每个像素点保留最小的两个信息，组成待匹配掌纹图像的双Gabor滤波信息RG(m,n)；
(c)运用建立的双Gabor滤波器对模板掌纹ROI图像R'(x,y)进行滤波窗口为t的滤波，滤波后每个像素点对应12个滤波值，遍历过待匹配掌纹ROI图像R'(x,y)的所有像素点后获得t1滤波窗口的滤波结果r'(x,y)，每个像素点保留最小的两个信息，组成模板掌纹图像的双Gabor滤波信息R'G(m,n)。
4.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(2)的局部竞争编码包括：
1)根据双Gabor滤波信息RG(m,n)为r(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值rt1 min保留，剩余的响应值中小于rt的rt2 min，其他舍弃，如果不存在小于rt的rt2 min，则rt2 min＝0；
2)对RG(m,n)在坐标(m,n)处留下的两个响应rt1 min(m,n)与rt2 min(m,n)所对应的方向进行编码，方向以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表rt1 min(m,n)所对应的方向的编码，M代表rt2 min(m,n)所对应的方向的编码，则局部竞争编码LC(x,y)＝2N+M；
3)根据双Gabor滤波信息R'G(m,n)为r'(x,y)滤波结果筛选的结果，在坐标(m,n)处，选取响应值的规则为：最小响应值保留，剩余的响应值中小于rt的其他舍弃，如果不存在小于rt的则
4)对R'G(m,n)在坐标(m,n)处留下的两个响应与所对应的方向进行编码，方向以及分别对应码值1、2、3、4、5、6、7、8、9、10、11以及12，N代表所对应的方向的编码，M代表所对应的方向的编码，则局部竞争编码LC'(x,y)＝2N+M。
5.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(3)的进行下采样是按照以下公式进行：
<mrow> <msub> <mi>LC</mi> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>h</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>h</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>1</mn> </mrow> <mn>1</mn> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <mo>=</mo> <mn>2</mn> </mrow> <mn>1</mn> </munderover> <mi>L</mi> <mi>C</mi> <mrow> <mo>(</mo> <mn>2</mn> <mo>&amp;times;</mo> <msub> <mi>x</mi> <mi>h</mi> </msub> <mo>+</mo> <msub> <mi>i</mi> <mn>1</mn> </msub> <mo>,</mo> <mn>2</mn> <mo>&amp;times;</mo> <msub> <mi>y</mi> <mi>h</mi> </msub> <mo>+</mo> <msub> <mi>i</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
与
(xh,yh)代表图像像素点的坐标，通过原图像计算尺度图像。
6.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(4)的抽样模式以及采样点对应抽样像素块的方式包括：
1)建立扩展八邻域模型：
(a)处理原图大小的扩展八邻域模型的尺寸为7×7，以像素x为中心，周边空余2个像素圈，在第三圈取八邻域，若像素x的原始坐标为(x0，y0)，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0-3，y0+3)、(x0，y0+3)、(x0+3，y0+3)、(x0+3，y0)、(x0+3，y0-3)、(x0，y0-3)、(x0-3，y0-3)、(x0-3，y0)；
(b)处理原图大小的扩展八邻域模型的尺寸为5×5，以像素x'为中心，周边空余1个像素圈，在第二圈取八邻域，若像素x'的原始坐标为(x0'，y0')，则扩展八邻域的八个点的坐标从左上顺时针依次为(x0'-2，y0'+2)、(x0'，y0'+2)、(x0'+2，y0'+2)、(x0'+2，y0')、(x0'+2，y0'-2)、(x0'，y0'-2)、(x0'-2，y0'-2)、(x0'-2，y0')；
2)利用扩展八邻域模型计算一个像素点的异变度的计算流程如下：
(a)以像素x的局部编码值为基准，依次比较扩展八邻域的八个点的局部编码值，大于与等于则值为1，小于则为0；
(b)异变度值初始为diff＝0，以扩展八邻域左上的点为基准顺时针遍历，如果下一点的值与当前点的值不一样，则diff加1，最终diff的值即为该像素x的异变度，整幅图像的异变度向量Diffi(i＝1,...,num)，num＝169为采样点与采样点对应图像块的个数；
3)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点按照如下方式选取：
(a)对模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)去边后分成13×13共169个图像块，对每个图像块利用扩展八邻域进行异变度提取，每个图像块选择异变度最大的点当做采样点，则169个图像块对应169个采样点；
(b)提取模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)的169个采样点的坐标，在待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)对应位置采169个采样点；
4)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，以各自的采样点为中心建立4*4像素大小的抽样像素块，169个采样点则可得到169个像素块。
7.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(5)的BLPOC计算是针对图像块与块之间的计算，待计算的图像对为两张大小为N*N的图像块f(n1,n2)与g(n1,n2)，其中，n1＝-M1,...,M1(M1＞0)，n2＝-M2,...,M2(M2＞0)，具体计算步骤如下：
1)对f(n1,n2)与g(n1,n2)进行二维离散傅里叶变换，定义如下：
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> </mrow> </munder> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msubsup> <mi>W</mi> <msub> <mi>N</mi> <mn>1</mn> </msub> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>n</mi> <mn>1</mn> </msub> </mrow> </msubsup> <msubsup> <mi>W</mi> <msub> <mi>N</mi> <mn>2</mn> </msub> <mrow> <msub> <mi>k</mi> <mn>2</mn> </msub> <msub> <mi>n</mi> <mn>2</mn> </msub> </mrow> </msubsup> <mo>=</mo> <msub> <mi>A</mi> <mi>F</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <msub> <mi>j&amp;theta;</mi> <mi>F</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </msup> <mo>;</mo> </mrow>
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> </mrow> </munder> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msubsup> <mi>W</mi> <msub> <mi>N</mi> <mn>1</mn> </msub> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>n</mi> <mn>1</mn> </msub> </mrow> </msubsup> <msubsup> <mi>W</mi> <msub> <mi>N</mi> <mn>2</mn> </msub> <mrow> <msub> <mi>k</mi> <mn>2</mn> </msub> <msub> <mi>n</mi> <mn>2</mn> </msub> </mrow> </msubsup> <mo>=</mo> <msub> <mi>A</mi> <mi>G</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <msub> <mi>j&amp;theta;</mi> <mi>G</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </msup> <mo>;</mo> </mrow>
式中，k1＝-M1,...,M1(M1＞0)，k2＝-M2,...,M2(M2＞0)，AF(k1,k2)和AF(k1,k2)为幅度，θF(k1,k2)和θG(k1,k2)为相位；
2)计算归一化互功率谱RFG(k1,k2)来表示相位信息：
<mrow> <msub> <mi>R</mi> <mrow> <mi>F</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mover> <mrow> <mi>G</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> <mo>&amp;OverBar;</mo> </mover> </mrow> <mrow> <mo>|</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mover> <mrow> <mi>G</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>|</mo> </mrow> </mfrac> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mi>j</mi> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </msup> <mo>;</mo> </mrow>
式中，为G(k1,k2)的复共轭矩阵，θ(k1,k2)＝θF(k1,k2)-θG(k1,k2)；
3)将频率范围限定在k1＝-K1,...,K1(0≤K1≤M1)，k2＝-K2,...,K2(0≤K2≤M2)，有效皮普范围被确定在L1＝2K1+1与L2＝2K2+1，BLPOC函数将作为RFG(k1,k2)反变换改进后的表示如下：
<mrow> <msubsup> <mi>r</mi> <mrow> <mi>f</mi> <mi>g</mi> <mi>W</mi> </mrow> <mrow> <msub> <mi>K</mi> <mn>1</mn> </msub> <msub> <mi>K</mi> <mn>2</mn> </msub> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>L</mi> <mn>1</mn> </msub> <msub> <mi>L</mi> <mn>2</mn> </msub> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> </mrow> </munder> <msub> <mi>R</mi> <mrow> <mi>F</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msubsup> <mi>W</mi> <msub> <mi>L</mi> <mn>1</mn> </msub> <mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>n</mi> <mn>1</mn> </msub> </mrow> </msubsup> <msubsup> <mi>W</mi> <msub> <mi>L</mi> <mn>2</mn> </msub> <mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <msub> <mi>n</mi> <mn>2</mn> </msub> </mrow> </msubsup> <mo>;</mo> </mrow>
式中n1＝-K1,...,K1，n2＝-K2,...,K2。
8.如权利要求2所述的基于特异扩展八邻域双Gabor掌纹ROI匹配方法，其特征在于，所述步骤(6)通过s'与s"结合则得出最终的匹配分数s，的具体计算步骤如下：
1)依据通过计算同尺度编码图像的异变度向量的相似性，获得一个初步匹配分数s'如下式：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <msup> <mi>s</mi> <mo>,</mo> </msup> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>n</mi> <mi>u</mi> <mi>m</mi> </mrow> </munderover> <mfrac> <mrow> <msub> <mi>def</mi> <mi>i</mi> </msub> </mrow> <mn>169</mn> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>n</mi> <mi>u</mi> <mi>m</mi> <mo>=</mo> <mn>169</mn> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>def</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <msub> <mi>diff</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mi>diff</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>e</mi> <mi>l</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
2)待匹配掌纹ROI图像R(x,y)的局部竞争编码图LC(x,y)与模板掌纹ROI图像R'(x,y)的局部竞争编码图LC'(x,y)都具有169个采样点，两张编码图分别提取相邻两点之间的距离dj(j＝1,...,168)与dj'(j＝1,...,168)，则通过比较还原点之间的位置信息获得图像的匹配分数s"计算如下式：
<mrow> <msup> <mi>s</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>d</mi> <mn>1</mn> </msub> <mo>-</mo> <msubsup> <mi>d</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>d</mi> <mn>168</mn> </msub> <mo>-</mo> <msubsup> <mi>d</mi> <mn>168</mn> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mn>168</mn> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mo>;</mo> </mrow>
3)s'与s"结合则得出最终的匹配分数s如下式：
s＝α·s'+β·s"；
与β为权值，相加和为1。
9.一种使用权利要求1～8任意一项所述基于特异扩展八邻域双Gabor掌纹ROI匹配方法的自动掌纹识别系统。
CN201710507345.XA 2017-06-28 2017-06-28 基于特异扩展八邻域双Gabor掌纹ROI匹配方法 Active CN107292273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710507345.XA CN107292273B (zh) 2017-06-28 2017-06-28 基于特异扩展八邻域双Gabor掌纹ROI匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710507345.XA CN107292273B (zh) 2017-06-28 2017-06-28 基于特异扩展八邻域双Gabor掌纹ROI匹配方法

Publications (2)

Publication Number Publication Date
CN107292273A true CN107292273A (zh) 2017-10-24
CN107292273B CN107292273B (zh) 2021-03-23

Family

ID=60098662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710507345.XA Active CN107292273B (zh) 2017-06-28 2017-06-28 基于特异扩展八邻域双Gabor掌纹ROI匹配方法

Country Status (1)

Country Link
CN (1) CN107292273B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753912A (zh) * 2018-12-27 2019-05-14 南京邮电大学 一种基于张量的多光谱掌纹匹配方法
CN111507279A (zh) * 2020-04-21 2020-08-07 北京智能工场科技有限公司 一种基于UNet++网络的掌纹识别方法
CN111680549A (zh) * 2020-04-28 2020-09-18 肯维捷斯（武汉）科技有限公司 一种纸纹识别方法
CN113591937A (zh) * 2021-07-09 2021-11-02 国家电网有限公司 一种基于局部距离编码的电力系统关键节点识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050281438A1 (en) * 2004-06-21 2005-12-22 Zhang David D Palm print identification using palm line orientation
JP4246154B2 (ja) * 2002-09-25 2009-04-02 ザ・ホンコン・ポリテクニック・ユニバーシティ バイオメトリックな認証方法
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
WO2017088109A1 (zh) * 2015-11-24 2017-06-01 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN106874824A (zh) * 2015-12-11 2017-06-20 中国科学院深圳先进技术研究院 一种用于掌纹识别的频段选择方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4246154B2 (ja) * 2002-09-25 2009-04-02 ザ・ホンコン・ポリテクニック・ユニバーシティ バイオメトリックな認証方法
US20050281438A1 (en) * 2004-06-21 2005-12-22 Zhang David D Palm print identification using palm line orientation
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
WO2017088109A1 (zh) * 2015-11-24 2017-06-01 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN106874824A (zh) * 2015-12-11 2017-06-20 中国科学院深圳先进技术研究院 一种用于掌纹识别的频段选择方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗月童 等: "基于线特征韦伯局部描述子的掌纹识别", 《中国图象图形学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753912A (zh) * 2018-12-27 2019-05-14 南京邮电大学 一种基于张量的多光谱掌纹匹配方法
CN109753912B (zh) * 2018-12-27 2022-09-06 南京邮电大学 一种基于张量的多光谱掌纹匹配方法
CN111507279A (zh) * 2020-04-21 2020-08-07 北京智能工场科技有限公司 一种基于UNet++网络的掌纹识别方法
CN111680549A (zh) * 2020-04-28 2020-09-18 肯维捷斯（武汉）科技有限公司 一种纸纹识别方法
CN113591937A (zh) * 2021-07-09 2021-11-02 国家电网有限公司 一种基于局部距离编码的电力系统关键节点识别方法
CN113591937B (zh) * 2021-07-09 2023-09-26 国家电网有限公司 一种基于局部距离编码的电力系统关键节点识别方法

Also Published As

Publication number Publication date
CN107292273B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
Ross et al. A hybrid fingerprint matcher
CN101281600B (zh) 一种掌纹特征获取方法及相应的基于掌纹的身份识别方法
CN107292273A (zh) 基于特异扩展八邻域双Gabor掌纹ROI匹配方法
CN104951940B (zh) 一种基于掌纹识别的移动支付验证方法
CN102073843B (zh) 非接触式快速人手多模态信息融合识别方法
CN108009520A (zh) 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
Feng et al. Robust and efficient algorithms for separating latent overlapped fingerprints
CN101344913B (zh) 一种通过提取虹膜纹理特征进行身份识别的方法
CN103679136B (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN107423768A (zh) 基于surf和pca结合的图像哈希序列生成方法
CN107506688A (zh) Harris角点检测影像金字塔掌纹ROI识别方法
CN107066966A (zh) 一种基于关键点区域图像的人脸识别方法
Chen et al. Contactless multispectral palm-vein recognition with lightweight convolutional neural network
CN103324921B (zh) 一种基于内指横纹的移动识别方法及其移动识别设备
Kamaruddin et al. A new filter generation method in PCANet for finger vein recognition
CN109359607A (zh) 一种基于纹理的掌纹掌脉融合识别方法
CN102663443B (zh) 基于图像扰动和相关滤波的生物特征识别方法
Dubey et al. Palmprint recognition using binary wavelet transform and LBP representation
CN104268502B (zh) 人体静脉图像特征提取后的认识方法
Hsu et al. Gaussian directional pattern for dorsal hand vein recognition
CN100416592C (zh) 基于数据流形的人脸自动识别方法
CN107492119A (zh) 基于双竞争性相位相关影像金字塔的掌纹roi匹配方法
Cappelli et al. The state of the art in fingerprint classification
Shekhar et al. Robust approach for palm (Roi) extraction in palmprint recognition system
Kanchana et al. Robust approach for palm (Roi) extraction in palmprint recognition system

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