CN107506688B - Harris角点检测影像金字塔掌纹ROI识别方法 - Google Patents

Harris角点检测影像金字塔掌纹ROI识别方法 Download PDF

Info

Publication number
CN107506688B
CN107506688B CN201710586318.6A CN201710586318A CN107506688B CN 107506688 B CN107506688 B CN 107506688B CN 201710586318 A CN201710586318 A CN 201710586318A CN 107506688 B CN107506688 B CN 107506688B
Authority
CN
China
Prior art keywords
template
image
palm print
corner
map
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.)
Active
Application number
CN201710586318.6A
Other languages
English (en)
Other versions
CN107506688A (zh
Inventor
庞辽军
王�华
赵恒�
肖凯
赵伟强
曹凯
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 CN201710586318.6A priority Critical patent/CN107506688B/zh
Publication of CN107506688A publication Critical patent/CN107506688A/zh
Application granted granted Critical
Publication of CN107506688B publication Critical patent/CN107506688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于数字图像处理技术领域，公开了一种Harris角点检测影像金字塔掌纹ROI识别方法，包括：输入录入掌纹ROI图像和模板掌纹ROI图像，并对这两个图像的进行MFRAT滤波处理；对滤波处理后的模板掌纹ROI图像，运用Harris角点检测算法提取出分布在掌纹主线、褶皱上的角点并在小块区域内只保留一个角点；根据滤波后的模板掌纹ROI图像上的角点，利用影像金字塔算法获得分布在滤波后的录入掌纹图像上的角点；由已知的角点分布通过平均BLPOC算法得到最终的匹配分数；通过实验设定固定阈值，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。本发明能够准确地进行掌纹图像ROI匹配。

Description

Harris角点检测影像金字塔掌纹ROI识别方法
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Harris角点检测影像金字塔掌纹ROI识别方法。
背景技术
生物识别技术能很好的解决传统的身份识别技术的缺点。掌纹识别技术由于其易采集性、设备造价低廉、可用信息丰富、匹配性能较好等优势在生物特征识别技术中脱颖而出，具有非常广阔的应用前景。目前，基于纹理的掌纹识别匹配方法具有较好的匹配性能；掌纹中含有丰富的纹理信息，如掌纹主线、褶皱、分叉等。基于纹理的掌纹识别方法其主要思路是对截取的掌纹ROI图像进行方向编码，以提取每一个像素点的最显著的特征。在掌纹采集过程中，由于手掌的舒展程度、放置姿势等，以及截取掌纹ROI图像算法自身的局限性都会导致掌纹ROI图像产生平移、旋转、畸变等形变，从而降低算法的识别率。现有的解决方法是在匹配过程中对两幅匹配图像进行水平和垂直方向的平移后再进行匹配，取最高的匹配分数值作为两幅图像的匹配分数，该方法在矫正畸变区域像素点坐标的过程中，会对非畸变区域造成错误的匹配。同时，现有方法重复多次匹配取最高分数值的方法会产生大量的冗余匹配，极大影响整体效率。
综上所述，现有技术存在的问题是：传统的掌纹ROI图像匹配存在容易产生错误匹配，算法效率较低。
发明内容
针对现有技术存在的问题，本发明提供了一种Harris角点检测影像金字塔掌纹ROI识别方法。
本发明是这样实现的，一种Harris角点检测影像金字塔掌纹ROI识别方法，所述Harris角点检测影像金字塔掌纹ROI识别方法包括：输入录入掌纹ROI图像和模板掌纹ROI图像，并对两个图像的进行MFRAT滤波处理；对滤波处理后的模板掌纹ROI图像，运用Harris角点检测算法提取出分布在掌纹主线、褶皱上的角点并在小块区域内只保留一个角点；根据滤波后的模板掌纹ROI图像上的角点，利用影像金字塔算法获得分布在滤波后的录入掌纹图像上的角点；由已知的角点分布通过平均BLPOC算法得到最终的匹配分数；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Harris角点检测影像金字塔掌纹ROI识别方法包括以下步骤：
(1)对模板掌纹ROI图像R(x,y)进行MFRAT滤波处理得到模板信息图RM(m,n)，对录入掌纹ROI图像R'(x,y)进行MFRAT滤波处理得到录入信息图R'M(m,n)；其中ROI图像是截取掌纹中心区域的128×128像素的正方形区域，(x,y)表示模板掌纹ROI图像R(x,y)与录入掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示模板信息图RM(m,n)和录入信息图R'M(m,n)的像素点坐标；
(2)用基于选择的Harris角点检测算法对模板信息图RM(m,n)进行特异性处理，提取到一系列分布在掌纹主线、褶皱等主要特征上的角点，坐标值用P0表示；
(3)分别获得模板信息图RM(m,n)的第l(l＝0,1,2)层模板压缩图
Figure GDA0002736052210000021
和录入信息图R'M(m,n)的第l(l＝0,1,2)层录入压缩图
Figure GDA0002736052210000022
(4)由(2)得到的模板信息图RM(m,n)的角点坐标值P0计算第一层模板压缩图
Figure GDA0002736052210000023
的角点坐标P1和第二层模板压缩图
Figure GDA0002736052210000024
的角点坐标P2，并定义第l(l＝0,1,2)层录入压缩图
Figure GDA0002736052210000025
的角点坐标分别为q0、q1、q2，用影像金字塔算法分别获得第l(l＝2,1,0)层上录入压缩图
Figure GDA0002736052210000026
相对应模板压缩图
Figure GDA0002736052210000027
的偏移量δ2、δ1、δ0，则录入信息图R'M(m,n)的角点坐标为q0＝4p2+4δ2+2δ1+δ0；
(5)对模板信息图RM(m,n)和录入信息图R'M(m,n)，以对应的角点坐标p0和q0为中心点，选取51×51像素大小的重叠快，对每个重叠块用相位相关性算法BLPOC进行匹配得到匹配分数sj(j＝1,...,a)，求取平均值得到最终的匹配分数，a表示角点的总个数。
进一步，所述(1)用MFRAT算法对图像进行滤波处理具体包括：
(1)获得模板掌纹ROI图像R(x,y)的MFRAT滤波图：
构建MFRAT滤波函数：
Figure GDA0002736052210000031
其中x、y为模板掌纹ROI图像R(x,y)上像素点的坐标；θm(m＝0,1,...,5)定义方向角度，选取6个方向，分别为0°、30°、60°、90°、120°、150°；
Figure GDA0002736052210000032
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
对模板掌纹ROI图像R(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用构建的MFRAT滤波函数，获得6个方向的响应值
Figure GDA0002736052210000033
选取6个方向中最小的响应值
Figure GDA0002736052210000034
对应的m值作为参考点(x,y)的权重值；
根据遍历模板掌纹ROI图像R(x,y)的每一个像素点，获得模板掌纹ROI图像R(x,y)的MFRAT滤波图RM(m,n)；
(2)获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图：
构建MFRAT滤波函数：
Figure GDA0002736052210000035
其中x、y为录入掌纹ROI图像R'(x,y)上像素点的坐标；θm(m＝0,1,...,5)定义方向角度，选取6个方向，分别为0°、30°、60°、90°、120°、150°；
Figure GDA0002736052210000036
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
对录入掌纹ROI图像R'(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用构建的MFRAT滤波函数，获得6个方向的响应值
Figure GDA0002736052210000038
选取6个方向中最小的响应值
Figure GDA0002736052210000037
对应的m值作为参考点(x,y)的权重值；
根据遍历录入掌纹ROI图像R'(x,y)的每一个像素点，获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图R'M(m,n)。
进一步，所述(2)用Harris角点检测算法提取一系列特异点具体包括：
1)构建再生矩阵M：
Figure GDA0002736052210000041
其中
Figure GDA0002736052210000042
RM(m,n)为模板信息图；m、n为模板信息图RM(m,n)的像素点坐标；Rm定义为模板信息图的水平梯度，Rn定义为模板信息图的垂直梯度；σ为高斯函数G(σ)的标准差，定义为2，高斯函数G(σ)的窗口大小为7×7；
2)由1)得到的再生矩阵M，根据如下公式计算模板信息图RM(m,n)的角点响应函数Res(m,n)，设置阈值T，由已知的角点响应函数Res(m,n)，选取大于阈值T的像素点(m,n)定义为初选角点p；
Res(m,n)＝Det(M)-k×Trace2(M)；
其中阈值T取经验值5000；Det(M)表示再生矩阵M的行列式；Trace(M)表示再生矩阵M的迹；k为参数，取经验值0.06；
3)以第一个初选角点p1为中心点，在其周围构建一个5×5大小的块，遍历其余的初选角点，若有初选角点在该块范围内，则丢弃该初选角点；同理，对每一个初选角点运用该方法，得到模板信息图RM(m,n)的角点坐标p0。
进一步，所述(3)获得模板信息图RM(m,n)的第l(l＝0,1,2)层模板压缩图
Figure GDA0002736052210000043
和录入信息图R'M(m,n)的第l(l＝0,1,2)层录入压缩图
Figure GDA0002736052210000044
具体包括：
(1)当l＝0时，
Figure GDA0002736052210000045
(2)当l＝1时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第1层模板压缩图
Figure GDA0002736052210000051
和录入压缩图
Figure GDA0002736052210000052
Figure GDA0002736052210000053
(3)当l＝2时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第2层模板压缩图
Figure GDA0002736052210000054
和录入压缩图
Figure GDA0002736052210000055
Figure GDA0002736052210000056
进一步，所述(4)获得第一层模板压缩图
Figure GDA0002736052210000057
的角点坐标P1和第二层模板压缩图
Figure GDA0002736052210000058
的角点坐标P2具体包括：
1)，按如下公式计算第一层模板压缩图
Figure GDA0002736052210000059
的角点坐标P1：
Figure GDA00027360522100000510
其中p0是图像RM(x,y)的角点坐标；
Figure GDA00027360522100000511
分别为p0的横坐标和纵坐标；
Figure GDA00027360522100000512
表示对*向下取整；
2)计算第二层模板压缩图
Figure GDA00027360522100000513
的角点坐标P2：
Figure GDA00027360522100000514
其中p1是第一层模板压缩图
Figure GDA00027360522100000515
的角点坐标；
Figure GDA00027360522100000516
分别为p1的横坐标和纵坐标；
Figure GDA00027360522100000517
表示对*向下取整。
进一步，所述(4)中用影像金字塔算法分别获得第l(l＝2,1,0)层上录入压缩图
Figure GDA00027360522100000518
相对应模板压缩图
Figure GDA00027360522100000519
的偏移量δ2、δ1、δ0具体包括：
1)取l＝2时，用BLPOC算法计算第2层录入压缩图
Figure GDA0002736052210000061
相对应于模板压缩图
Figure GDA0002736052210000062
的偏移量δ2，则第二层录入压缩图
Figure GDA0002736052210000063
的角点坐标为p2+δ2；第2层模板压缩图像
Figure GDA0002736052210000064
和第二层录入压缩图像
Figure GDA0002736052210000065
尺寸为N1×N2，其中N1＝2M1+1，N2＝2M2+1，m＝-M1,...,M1(M1＞0)，n＝-M2,...,M2(M2＞0)；
2)取l＝1时，对第1层录入压缩图像
Figure GDA0002736052210000066
以角点坐标P1为中心点，取48*48大小的块；对第1层录入压缩图像
Figure GDA0002736052210000067
以角点坐标2q2为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则图像
Figure GDA0002736052210000068
的角点坐标为q0＝2q2+δ0；
3)取l＝0时，对模板信息图
Figure GDA0002736052210000069
以角点坐标P0为中心点，取48*48大小的块；对录入信息图
Figure GDA00027360522100000610
以角点坐标2q1为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则录入信息图R'M(m,n)的角点坐标为q0＝2q2+δ0。
进一步，所述(5)中用基于重叠快的BLPOC算法计算匹配分数具体包括：
(1)对模板信息图RM(x,y)和录入信息图R'M(x,y)，分别以角点p0和q0为中心点，取51*51大小的重叠快Rp(x,y)和Rq(x,y)，对每个对应块运用BLPOC函数，BLPOC函数的最高点即为每个小块的匹配分数rj(j＝1,2,...,a)，其中a为角点个数；
(2)对每个小块的匹配分数rj(j＝1,2,...,a)取平均得到最终的录入掌纹图像和模板掌纹图像的匹配分数s。
本发明的另一目的在于提供一种使用所述Harris角点检测影像金字塔掌纹ROI识别方法的自动掌纹识别系统。
本发明的优点及积极效果为：利用Harris角点检测算法提取掌纹最主要的纹理信息点，即角点，并在小块区域内只保留一个角点，同时，依托于影像金字塔更为精确的定位两匹配掌纹图像的角点的相对偏移，从而减少平移、旋转对掌纹识别匹配的影响，进而实现更为准确的掌纹ROI图像的匹配。本发明通过运用影像金字塔算法对提取的角点进行平移旋转矫正再进行匹配，解决了平移旋转对匹配识别的影响。
本发明通过提取分布在掌纹主线、褶皱上的具有识别性能的角点特征，并以该点为中心构造包含有更多纹理特征的区域块，在对应快上用平均BLPOC方法实现匹配。与直接使用平均BLPOC方法相比提高了匹配精度，其等错误率(EER)由0.23％降到0.0125％；并通过在小块区域内只保留一个角点的算法设计提高了匹配速度。等错误率是评判算法性能的指标，等错误率越小越好。
本发明依托于影像金字塔算法更为精确的定位两个匹配掌纹图像的角点的相对偏移，从而减少平移、旋转等畸变对掌纹识别匹配的影响，实现了更为准确的掌纹ROI图像的匹配。
附图说明
图1是本发明实施例提供的Harris角点检测影像金字塔掌纹ROI识别方法流程图。
图2是本发明实施例提供的Harris角点检测影像金字塔掌纹ROI识别方法的实现流程图。
图3是本发明实施例提供的模板掌纹ROI图与录入掌纹ROI图的对比；
图中：(a)模板掌纹ROI图；(b)录入掌纹ROI图。
图4是本发明实施例提供的MFRAT滤波处理效果示意图；
图中：(a)模板掌纹ROI图经MFRAT滤波后的模板信息图；(b)录入掌纹ROI图经MFRAT滤波后的录入信息图。
图5是本发明实施例提供的角点坐标示意图；
图中：(a)对模板信息图提取的角点坐标图；(b)经影像金字塔矫正后的录入信息图的角点坐标图。
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Harris角点检测影像金字塔掌纹ROI识别方法包括以下步骤：
S101：输入录入掌纹ROI图像和模板掌纹ROI图像，并对这两个图像的进行MFRAT滤波处理；
S102：对滤波处理后的模板掌纹ROI图像，运用Harris角点检测算法提取出分布在掌纹主线、褶皱上的角点并在小块区域内只保留一个角点；
S103：根据滤波后的模板掌纹ROI图像上的角点，利用影像金字塔算法获得分布在滤波后的录入掌纹图像上的角点；
S104：由已知的角点分布通过平均BLPOC算法得到最终的匹配分数；
S105：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。
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Harris角点检测影像金字塔掌纹ROI识别方法具体包括以下步骤：
步骤1：用MFRAT算法对图像进行滤波处理，按如下步骤进行：
(1.1)获得模板掌纹ROI图像R(x,y)的MFRAT滤波图：
(1.1a)构建MFRAT滤波函数：
Figure GDA0002736052210000081
其中x、y为模板掌纹ROI图像R(x,y)上像素点的坐标；θm(m＝0,1,...,5)定义方向角度，选取6个方向，分别为0°、30°、60°、90°、120°、150°；
Figure GDA0002736052210000082
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
(1.1b)对模板掌纹ROI图像R(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用步骤(1.1a)构建的MFRAT滤波函数，获得6个方向的响应值
Figure GDA0002736052210000091
选取6个方向中最小的响应值
Figure GDA0002736052210000092
对应的m值作为参考点(x,y)的权重值；
(1.1c)根据步骤(1.1b)遍历模板掌纹ROI图像R(x,y)的每一个像素点，获得模板掌纹ROI图像R(x,y)的MFRAT滤波图RM(m,n)；
(1.2)获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图：
(1.2a)构建MFRAT滤波函数：
Figure GDA0002736052210000093
其中x、y为录入掌纹ROI图像R'(x,y)上像素点的坐标；θm(m＝0,1,...,5)定义方向角度，选取6个方向，分别为0°、30°、60°、90°、120°、150°；
Figure GDA0002736052210000094
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
(1.2b)对录入掌纹ROI图像R'(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用步骤(1.2a)构建的MFRAT滤波函数，获得6个方向的响应值
Figure GDA0002736052210000095
选取6个方向中最小的响应值
Figure GDA0002736052210000096
对应的m值作为参考点(x,y)的权重值；
(1.2c)根据步骤(1.2b)遍历录入掌纹ROI图像R'(x,y)的每一个像素点，获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图R'M(m,n)；
步骤2：Harris角点检测算法提取一系列特异点，按如下步骤进行。
(2.1)构建再生矩阵M：
Figure GDA0002736052210000097
其中
Figure GDA0002736052210000098
RM(m,n)为模板信息图；m、n为模板信息图RM(m,n)的像素点坐标；Rm定义为模板信息图的水平梯度，Rn定义为模板信息图的垂直梯度；σ为高斯函数G(σ)的标准差，此处定义为2，高斯函数G(σ)的窗口大小为7×7；
(2.2)由步骤(2.1)得到的再生矩阵M，根据如下公式计算模板信息图RM(m,n)的角点响应函数Res(m,n)，设置阈值T，由已知的角点响应函数Res(m,n)，选取大于阈值T的像素点(m,n)定义为初选角点p；
Res(m,n)＝Det(M)-k×Trace2(M)；
其中阈值T取经验值5000；Det(M)表示再生矩阵M的行列式；Trace(M)表示再生矩阵M的迹；k为参数，取经验值0.06；
(2.3)以第一个初选角点p1为中心点，在其周围构建一个5×5大小的块，遍历其余的初选角点，若有初选角点在该块范围内，则丢弃该初选角点；同理，对每一个初选角点运用该方法，最终得到模板信息图RM(m,n)的角点坐标p0。
步骤3：获得模板信息图RM(m,n)的第l(l＝0,1,2)层模板压缩图
Figure GDA0002736052210000101
和录入信息图R'M(m,n)的第l(l＝0,1,2)层录入压缩图
Figure GDA0002736052210000102
按如下步骤进行：
(3.1)当l＝0时，
Figure GDA0002736052210000103
(3.2)当l＝1时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第1层模板压缩图
Figure GDA0002736052210000104
和录入压缩图
Figure GDA0002736052210000105
Figure GDA0002736052210000106
(3.3)当l＝2时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第2层模板压缩图
Figure GDA0002736052210000107
和录入压缩图
Figure GDA0002736052210000108
Figure GDA0002736052210000109
步骤4：获得第一层模板压缩图
Figure GDA00027360522100001010
的角点坐标P1和第二层模板压缩图
Figure GDA00027360522100001011
的角点坐标P2，按如下步骤进行：
(4.1)，按如下公式计算第一层模板压缩图
Figure GDA0002736052210000111
的角点坐标P1：
Figure GDA0002736052210000112
其中p0是图像RM(x,y)的角点坐标；
Figure GDA00027360522100001121
分别为p0的横坐标和纵坐标；
Figure GDA0002736052210000113
表示对*向下取整；
(4.2)按如下公式计算第二层模板压缩图
Figure GDA0002736052210000114
的角点坐标P2：
Figure GDA0002736052210000115
其中p1是第一层模板压缩图
Figure GDA0002736052210000116
的角点坐标；
Figure GDA0002736052210000117
分别为p1的横坐标和纵坐标；
Figure GDA0002736052210000118
表示对*向下取整。
步骤5：中用影像金字塔算法分别获得第l(l＝2,1,0)层上录入压缩图
Figure GDA0002736052210000119
相对应模板压缩图
Figure GDA00027360522100001110
的偏移量δ2、δ1、δ0，按如下步骤进行：
(5.1)取l＝2时，用BLPOC算法计算第2层录入压缩图
Figure GDA00027360522100001111
相对应于模板压缩图
Figure GDA00027360522100001112
的偏移量δ2，则第二层录入压缩图
Figure GDA00027360522100001113
的角点坐标为p2+δ2。假定第2层模板压缩图像
Figure GDA00027360522100001114
和第二层录入压缩图像
Figure GDA00027360522100001115
尺寸为N1×N2，其中N1＝2M1+1，N2＝2M2+1，m＝-M1,...,M1(M1＞0)，n＝-M2,...,M2(M2＞0)，以第2层模板压缩图像
Figure GDA00027360522100001116
和第二层录入压缩图像
Figure GDA00027360522100001117
为例，BLPOC函数的具体计算步骤如下：
(5.1a)对第二层模板压缩图像
Figure GDA00027360522100001118
与录入压缩图像
Figure GDA00027360522100001119
进行二维离散傅里叶变换，定义如下：
Figure GDA00027360522100001120
式中，k1＝-M1,...,M1(M1＞0)，k2＝-M2,...,M2(M2＞0)，
Figure GDA0002736052210000121
AF(k1,k2)和AF(k1,k2)为幅度，θF(k1,k2)和θG(k1,k2)为相位；
(5.1b)计算归一化互功率谱RFG(k1,k2)来表示相位信息，即：
Figure GDA0002736052210000122
式中，
Figure GDA0002736052210000123
为G(k1,k2)的复共轭矩阵，θ(k1,k2)＝θF(k1,k2)-θG(k1,k2)；
(5.1c)假定第二层模板压缩图像
Figure GDA0002736052210000124
和录入压缩图像
Figure GDA0002736052210000125
的内在频谱带宽为k1＝-K1,...,K1(0≤K1≤M1)和k2＝-K2,...,K2(0≤K2≤M2)，则有效频谱范围为L1＝2K1+1与L2＝2K2+1，BLPOC函数将作为RFG(k1,k2)傅里叶反变换改进后的
Figure GDA0002736052210000126
表示如下：
Figure GDA0002736052210000127
式中m＝-K1,...,K1，n＝-K2,...,K2；
Figure GDA0002736052210000128
(5.1d)BLPOC函数
Figure GDA0002736052210000129
的最高点定义为第二层模板压缩图像
Figure GDA00027360522100001210
和录入压缩图像
Figure GDA00027360522100001211
的匹配分数，最高点对应的坐标位置定义为第二层录入压缩图像
Figure GDA00027360522100001212
相对于第二层模板压缩图像
Figure GDA00027360522100001213
的偏移量δ2，则第二层录入压缩图像
Figure GDA00027360522100001214
的角点坐标为q2＝p2+δ2；
(5.2)取l＝1时，对第1层录入压缩图像
Figure GDA00027360522100001215
以角点坐标P1为中心点，取48*48大小的块；对第1层录入压缩图像
Figure GDA00027360522100001216
以角点坐标2q2为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则图像
Figure GDA00027360522100001217
的角点坐标为q0＝2q2+δ0；
(5.3)取l＝0时，对模板信息图
Figure GDA00027360522100001218
以角点坐标P0为中心点，取48*48大小的块；对录入信息图
Figure GDA00027360522100001219
以角点坐标2q1为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则录入信息图R'M(m,n)的角点坐标为q0＝2q2+δ0。
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Core I7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角点图像，如图5所示，其中图4中的(a)部分是本发明对模板信息图提取的角点坐标图，图5中的(b)部分是本发明经影像金字塔校正后的录入信息图的角点坐标图；
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TH为0.2841，EER求解为0.0125％。
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 (8)

1.一种Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述Harris角点检测影像金字塔掌纹ROI识别方法包括：输入录入掌纹ROI图像和模板掌纹ROI图像，并对两个图像的进行MFRAT滤波处理；对滤波处理后的模板掌纹ROI图像，运用Harris角点检测算法提取出分布在掌纹主线、褶皱上的角点并在小块区域内只保留一个角点；根据滤波后的模板掌纹ROI图像上的角点，利用影像金字塔算法获得分布在滤波后的录入掌纹图像上的角点；由已知的角点分布通过平均BLPOC算法得到最终的匹配分数；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；
所述Harris角点检测影像金字塔掌纹ROI识别方法包括以下步骤：
(1)对模板掌纹ROI图像R(x,y)进行MFRAT滤波处理得到模板信息图RM(m,n)，对录入掌纹ROI图像R'(x,y)进行MFRAT滤波处理得到录入信息图R'M(m,n)；其中ROI图像是截取掌纹中心区域的128×128像素的正方形区域，(x,y)表示模板掌纹ROI图像R(x,y)与录入掌纹ROI图像R'(x,y)的像素点坐标，(m,n)表示模板信息图RM(m,n)和录入信息图R'M(m,n)的像素点坐标；
(2)用基于选择的Harris角点检测算法对模板信息图RM(m,n)进行特异性处理，提取到一系列分布在掌纹主线、褶皱主要特征上的角点，坐标值用p0表示；
(3)分别获得模板信息图RM(m,n)的第l层模板压缩图
Figure FDA0002797601880000011
和录入信息图R'M(m,n)的第l层录入压缩图
Figure FDA0002797601880000012
(4)由(2)得到的模板信息图RM(m,n)的角点坐标值p0计算第一层模板压缩图
Figure FDA0002797601880000013
的角点坐标p1和第二层模板压缩图
Figure FDA0002797601880000014
的角点坐标p2，并定义第l层录入压缩图
Figure FDA0002797601880000015
的角点坐标分别为q0、q1、q2，其中l＝0,1,2；用影像金字塔算法分别获得第l层上录入压缩图
Figure FDA0002797601880000016
相对应模板压缩图
Figure FDA0002797601880000017
的偏移量δ2、δ1、δ0，其中l＝2,1,0，则录入信息图R'M(m,n)的角点坐标为q0＝4p2+4δ2+2δ1+δ0；
(5)对模板信息图RM(m,n)和录入信息图R'M(m,n)，以对应的角点坐标p0和q0为中心点，选取51×51像素大小的重叠块，对每个重叠块用相位相关性算法BLPOC进行匹配得到匹配分数sj,其中j＝1,…,a，求取平均值得到最终的匹配分数，a表示角点的总个数。
2.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(1)用MFRAT算法对图像进行滤波处理具体包括：
(1)获得模板掌纹ROI图像R(x,y)的MFRAT滤波图：
构建MFRAT滤波函数：
Figure FDA0002797601880000021
其中x、y为模板掌纹ROI图像R(x,y)上像素点的坐标；θm定义方向角度，其中m＝0,1,...,5，选取6个方向，分别为00、300、600、900、1200、1500；
Figure FDA0002797601880000022
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
对模板掌纹ROI图像R(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用构建的MFRAT滤波函数，获得6个方向的响应值
Figure FDA0002797601880000023
选取6个方向中最小的响应值
Figure FDA0002797601880000024
对应的m值作为参考点(x,y)的权重值；
根据遍历模板掌纹ROI图像R(x,y)的每一个像素点，获得模板掌纹ROI图像R(x,y)的MFRAT滤波图RM(m,n)；
(2)获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图：
构建MFRAT滤波函数：
Figure FDA0002797601880000025
其中x、y为录入掌纹ROI图像R'(x,y)上像素点的坐标；θm定义方向角度，其中m＝0,1,...,5，选取6个方向，分别为00、300、600、900、1200、1500；
Figure FDA0002797601880000026
定义在9*9大小的滤波窗口中θm方向上的像素点坐标；C定义系数，此处C＝6；
对录入掌纹ROI图像R'(x,y)，以坐标(x,y)为中心点，取一个9*9大小的滤波窗口，对该滤波窗口运用构建的MFRAT滤波函数，获得6个方向的响应值
Figure FDA0002797601880000031
选取6个方向中最小的响应值
Figure FDA0002797601880000032
对应的m值作为参考点(x,y)的权重值；
根据遍历录入掌纹ROI图像R'(x,y)的每一个像素点，获得录入掌纹ROI图像R'(x,y)的MFRAT滤波图R'M(m,n)。
3.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(2)用Harris角点检测算法提取一系列特异点具体包括：
1)构建再生矩阵M：
Figure FDA0002797601880000033
其中
Figure FDA0002797601880000034
RM(m,n)为模板信息图；m、n为模板信息图RM(m,n)的像素点坐标；Rm定义为模板信息图的水平梯度，Rn定义为模板信息图的垂直梯度；σ为高斯函数G(σ)的标准差，定义为2，高斯函数G(σ)的窗口大小为7×7；
2)由1)得到的再生矩阵M，根据如下公式计算模板信息图RM(m,n)的角点响应函数Res(m,n)，设置阈值T，由已知的角点响应函数Res(m,n)，选取大于阈值T的像素点(m,n)定义为初选角点p；
Res(m,n)＝Det(M)-k×Trace2(M)；
其中阈值T取经验值5000；Det(M)表示再生矩阵M的行列式；Trace(M)表示再生矩阵M的迹；k为参数，取经验值0.06；
3)以第一个初选角点p1为中心点，在其周围构建一个5×5大小的块，遍历其余的初选角点，若有初选角点在该块范围内，则丢弃该初选角点；同理，对每一个初选角点运用该方法，得到模板信息图RM(m,n)的角点坐标p0。
4.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(3)获得模板信息图RM(m,n)的第l层模板压缩图
Figure FDA0002797601880000041
和录入信息图R'M(m,n)的第l层录入压缩图
Figure FDA0002797601880000042
其中l＝0,1,2，具体包括：
(1)当l＝0时，
Figure FDA0002797601880000043
(2)当l＝1时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第1层模板压缩图
Figure FDA0002797601880000044
和录入压缩图
Figure FDA0002797601880000045
Figure FDA0002797601880000046
(3)当l＝2时，对模板信息图RM(m,n)和录入信息图R'M(m,n)，按照如下公式创建第2层模板压缩图
Figure FDA0002797601880000047
和录入压缩图
Figure FDA0002797601880000048
Figure FDA0002797601880000049
5.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(4)获得第一层模板压缩图
Figure FDA00027976018800000410
的角点坐标p1和第二层模板压缩图
Figure FDA00027976018800000411
的角点坐标p2具体包括：
1)，按如下公式计算第一层模板压缩图
Figure FDA00027976018800000412
的角点坐标p1：
Figure FDA00027976018800000413
其中p0是图像RM(x,y)的角点坐标；
Figure FDA00027976018800000414
分别为p0的横坐标和纵坐标；
Figure FDA00027976018800000415
表示对*向下取整；
2)计算第二层模板压缩图
Figure FDA0002797601880000051
的角点坐标p2：
Figure FDA0002797601880000052
其中p1是第一层模板压缩图
Figure FDA0002797601880000053
的角点坐标；
Figure FDA0002797601880000054
分别为p1的横坐标和纵坐标；
Figure FDA0002797601880000055
表示对*向下取整。
6.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(4)中用影像金字塔算法分别获得第l层上录入压缩图
Figure FDA0002797601880000056
相对应模板压缩图
Figure FDA0002797601880000057
的偏移量δ2、δ1、δ0，其中l＝2,1,0，具体包括：
1)取l＝2时，用BLPOC算法计算第2层压缩录入图
Figure FDA0002797601880000058
相对应于压缩模板图
Figure FDA0002797601880000059
的偏移量δ2，则第二层压缩录入图
Figure FDA00027976018800000510
的角点坐标为p2+δ2；第2层压缩模板图像
Figure FDA00027976018800000511
和第二层压缩录入图像
Figure FDA00027976018800000512
尺寸为N1×N2，其中N1＝2M1+1，N2＝2M2+1，m＝-M1,...,M1,M1＞0，n＝-M2,...,M2,M2＞0；
2)取l＝1时，对第1层录入压缩图像
Figure FDA00027976018800000513
以角点坐标p1为中心点，取48*48大小的块；对第1层录入压缩图像
Figure FDA00027976018800000514
以角点坐标2q2为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则图像
Figure FDA00027976018800000515
的角点坐标为q0＝2q2+δ0；
3)取l＝0时，对模板信息图
Figure FDA00027976018800000516
以角点坐标P0为中心点，取48*48大小的块；对录入信息图
Figure FDA00027976018800000517
以角点坐标2q1为中心点，取48*48大小的块，分别对两个图像的每一个对应小块用BLPOC算法，求得对应的偏移量δ0，则录入信息图R'M(m,n)的角点坐标为q0＝2q2+δ0。
7.如权利要求1所述的Harris角点检测影像金字塔掌纹ROI识别方法，其特征在于，所述(5)中用基于重叠块的BLPOC算法计算匹配分数具体包括：
(1)对模板信息图RM(x,y)和录入信息图R'M(x,y)，分别以角点p0和q0为中心点，取51*51大小的重叠块Rp(x,y)和Rq(x,y)，对每个对应块运用BLPOC函数，BLPOC函数的最高点即为每个小块的匹配分数rj,j＝1,2,...,a，其中a为角点个数；
(2)对每个小块的匹配分数rj取平均得到最终的录入掌纹图像的模板掌纹图像的匹配分数s，j＝1,2,...,a。
8.一种使用权利要求1～7任意一项所述Harris角点检测影像金字塔掌纹ROI识别方法的自动掌纹识别系统。
CN201710586318.6A 2017-07-18 2017-07-18 Harris角点检测影像金字塔掌纹ROI识别方法 Active CN107506688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710586318.6A CN107506688B (zh) 2017-07-18 2017-07-18 Harris角点检测影像金字塔掌纹ROI识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710586318.6A CN107506688B (zh) 2017-07-18 2017-07-18 Harris角点检测影像金字塔掌纹ROI识别方法

Publications (2)

Publication Number Publication Date
CN107506688A CN107506688A (zh) 2017-12-22
CN107506688B true CN107506688B (zh) 2021-01-22

Family

ID=60679539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710586318.6A Active CN107506688B (zh) 2017-07-18 2017-07-18 Harris角点检测影像金字塔掌纹ROI识别方法

Country Status (1)

Country Link
CN (1) CN107506688B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108571928A (zh) * 2018-04-13 2018-09-25 桂林电子科技大学 一种基于机器视觉的夹片锚具尺寸缺陷检测方法
CN109191537A (zh) * 2018-07-19 2019-01-11 成都智慧海派科技有限公司 一种视觉定位移动设备屏幕的方法
CN109344846B (zh) * 2018-09-26 2022-03-25 联想(北京)有限公司 图像特征提取方法和装置
CN109871779B (zh) * 2019-01-23 2020-11-03 北京细推科技有限公司 掌纹识别的方法及电子设备
CN110598589A (zh) * 2019-08-27 2019-12-20 武汉工程大学 一种基于影像金字塔的掌纹识别方法、系统、装置和介质
CN113205145B (zh) * 2021-05-18 2022-08-16 广州大学 基于归一化互相关的模板匹配方法、系统、装置及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345755B (zh) * 2013-07-11 2016-03-30 北京理工大学 一种基于Harris算子的棋盘格角点亚像素提取方法
CN103793692A (zh) * 2014-01-29 2014-05-14 五邑大学 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统
CN105046205B (zh) * 2015-06-24 2019-02-01 西安理工大学 一种基于局部和全局特征融合的掌纹识别方法
CN105427333B (zh) * 2015-12-22 2019-06-11 厦门美图之家科技有限公司 视频序列图像的实时配准方法、系统及拍摄终端
CN106898019A (zh) * 2017-02-21 2017-06-27 广西大学 基于尺度不变Harris特征的图像配准方法和装置

Also Published As

Publication number Publication date
CN107506688A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN107506688B (zh) Harris角点检测影像金字塔掌纹ROI识别方法
CN103116763B (zh) 一种基于hsv颜色空间统计特征的活体人脸检测方法
US9117105B2 (en) 3D face recognition method based on intermediate frequency information in geometric image
CN108764041B (zh) 用于下部遮挡人脸图像的人脸识别方法
CN103530599B (zh) 一种真实人脸和图片人脸的区别方法和系统
CN104050681B (zh) 一种基于视频图像的道路消失点检测方法
CN107316031A (zh) 用于行人重识别的图像特征提取方法
CN104616280B (zh) 基于最大稳定极值区域和相位一致性的图像配准方法
CN107958443A (zh) 一种基于脊线特征和tps形变模型的指纹图像拼接方法
CN109872305B (zh) 一种基于质量图生成网络的无参考立体图像质量评价方法
CN111091075B (zh) 人脸识别方法、装置、电子设备及存储介质
CN106709950A (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN110298227B (zh) 一种基于深度学习的无人机航拍图像中的车辆检测方法
CN106919944A (zh) 一种基于orb算法的大视角图像快速识别方法
CN103679714A (zh) 一种基于梯度互相关的光学和sar图像自动配准方法
CN102865859A (zh) 一种基于surf特征的航空序列图像位置估计方法
CN106408597A (zh) 基于邻域熵和一致性检测的sar图像配准方法
WO2021174940A1 (zh) 人脸检测方法与系统
CN103136525A (zh) 一种利用广义Hough变换的异型扩展目标高精度定位方法
CN105760879A (zh) 基于傅里叶梅林变换的图像几何匹配方法
CN110276314A (zh) 人脸识别方法及人脸识别摄像机
CN107564006A (zh) 一种利用Hough变换的圆形目标检测方法
CN104537381A (zh) 一种基于模糊不变特征的模糊图像识别方法
CN105528616A (zh) 人脸识别方法和装置
CN110175548A (zh) 基于注意力机制和通道信息的遥感图像建筑物提取方法

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