CN108427923B - 一种掌纹识别方法及装置 - Google Patents

一种掌纹识别方法及装置 Download PDF

Info

Publication number
CN108427923B
CN108427923B CN201810189875.9A CN201810189875A CN108427923B CN 108427923 B CN108427923 B CN 108427923B CN 201810189875 A CN201810189875 A CN 201810189875A CN 108427923 B CN108427923 B CN 108427923B
Authority
CN
China
Prior art keywords
sample
image
sub
preset number
palm
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.)
Expired - Fee Related
Application number
CN201810189875.9A
Other languages
English (en)
Other versions
CN108427923A (zh
Inventor
崔苗
张秋镇
林凡
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810189875.9A priority Critical patent/CN108427923B/zh
Publication of CN108427923A publication Critical patent/CN108427923A/zh
Application granted granted Critical
Publication of CN108427923B publication Critical patent/CN108427923B/zh
Expired - Fee Related 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种掌纹识别方法及装置，该方法包括：将获取的识别手掌图像划分为第一预设数量的识别子图像；对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别；本发明可以将识别手掌图像划分出多个区域，利用不同区域的特征进行对比完成掌纹识别，提高了掌纹识别的识别效率和准确度。

Description

一种掌纹识别方法及装置
技术领域
本发明涉及身份认证技术领域，特别涉及一种掌纹识别方法及装置。
背景技术
随着信息技术的飞速发展，信息安全在人们的生活中显得越发的重要。而生物特征作为一种特殊的身份认证方式，因其具有明显的唯一与不变性，越来越成为重要的个人身份认证、识别的方式。目前主要采用的生物识别特征分为两类：一类是生理特征，如指纹、掌纹、虹膜、人脸等；另一类是行为特征，如签名、声音。
现有技术中，人脸识别、指纹识别已经在大部分设备中部署完成，但掌纹识别因为与指纹相比，掌纹所占面积较大，不适合在便携式的设备中部署；与人脸相比，由于人脸特征明显，而掌纹的特征需要较特殊的采集装置或者较高分辨率的摄像头才能收集到，并未得到大量部署。因此，如何提供一种将识别的重点放在手掌上具有明显特征位置上，而不再注重细微的掌纹识别的方法，保证掌纹识别的效率和准确度，是现今亟需解决的问题。
发明内容
本发明的目的是提供一种掌纹识别方法及装置，以将识别的重点放在手掌上具有明显特征位置上，而不再注重细微的掌纹识别，保证掌纹识别的效率和准确度。
为解决上述技术问题，本发明提供一种掌纹识别方法，包括：
将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；
对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；
计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；
根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别。
可选的，所述将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像，包括：
基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。
可选的，该方法还包括：
将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像；
利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间；
将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器。
可选的，所述利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间，包括：
将样本子图像集合中的每个样本子图像的像素值的以行为单位顺序排列，生成每个样本子图像各自对应的一个向量；
利用样本子图像集合对应的第二预设数量的向量分别减去对应的样本子图像集合平均值的差值，组成样本子图像集合对应的协方差矩阵；其中，样本子图像集合平均值
Figure GDA0001699681870000021
xi为向量，M为第二预设数量，协方差矩阵
Figure GDA0001699681870000022
T为矩阵转置，Xi为xi与
Figure GDA0001699681870000023
的差值；
通过提取协方差矩阵前第四预设数量的最大特征值的特征向量，构成样本子图像集合对应的投影矩阵，并将样本子图像集合中的每个样本子图像分别投影到投影矩阵，获取样本子图像集合中的每个样本手掌图像各自对应的特征子空间；其中，每个样本子图像集合对应第二预设数量的特征子空间。
可选的，所述将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器，包括：
将特征子空间分成第三预设数量类样本，利用
Figure GDA0001699681870000031
获取每类样本均值向量；其中，mj为每类样本均值向量，nj为每类样本数，Yi 1为特征子空间，Yj为每类样本，K为第三预设数量；
利用
Figure GDA0001699681870000032
获取整体样本均值向量；其中，m为整体样本均值向量；
令
Figure GDA0001699681870000033
对SbWi＝λSwWi进行求解，获取每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000034
其中，
Figure GDA0001699681870000035
Figure GDA0001699681870000036
P为先验概率，
Figure GDA0001699681870000037
将特征子空间分别投影到每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000038
获取每类样本对应的分类器；其中，每类样本对应的分类器
Figure GDA0001699681870000039
可选的，所述根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别，包括：
判断识别手掌图像是否存在大于或等于第五预设数量的识别子图像分别与第一样本手掌图像对应的样本子图像对应的第三预设数量的欧几里德距离之和小于或等于阈值；其中，第五预设数量小于或等于第一预设数量；第一样本手掌图像为第二预设数量的样本手掌图像中的任一样本手掌图像；
若是，则识别手掌图像属于第一样本手掌图像对应的用户。
可选的，所述将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像之前，还包括：
利用摄像头采集识别图片；
提取识别图片中的手掌区域，获取识别手掌图像。
此外，本发明还提供了一种掌纹识别装置，包括：
划分模块，用于将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；
分类模块，用于对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；
计算模块，用于计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；
识别模块，用于根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别。
可选的，所述划分模块，包括：
划分子模块，用于基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。
可选的，该装置还包括：
样本划分模块，用于将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像；
特征子空间生成模块，用于利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间；
分类器生成模块，用于将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器。
本发明所提供的一种掌纹识别方法，包括：将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别；
可见，本发明通过将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像，可以将识别手掌图像划分出多个区域，利用不同区域的特征进行对比完成掌纹识别，提高了掌纹识别的识别效率和准确度。此外，本发明还提供了一种掌纹识别装置，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种掌纹识别方法的流程图；
图2为本发明实施例所提供的一种掌纹识别方法的分类器生成的流程图；
图3为本发明实施例所提供的一种掌纹识别装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的一种掌纹识别方法的流程图。该方法可以包括：
步骤101：将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像。
其中，本步骤中的识别手掌图像可以为需要进行识别的手掌区域的图像。
可以理解的是，本实施例的目的可以为将识别手掌图像划分为多个区域分别进行识别，对于识别手掌图像的具体划分方式，可以按照本实施例所提供的方法，使用局部组件的划分方法；也可以使用其他的划分方法，只要可以将识别手掌图像划分为第一预设数量的识别子图像，本实施例对此不受任何限制。
具体的，对于识别手掌图像的具体划分过程，也就是划分出的识别子图像的数量和每个识别子图像类型，可以由设计人员根据实用场景和用户需求自行设置，如可以基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。本实施例对此不做任何限制。
需要说明的是，本步骤之前还可以包括识别手掌图像的获取过程，如可以包括利用摄像头采集识别图片；提取识别图片中的手掌区域，获取识别手掌图像的步骤，也就是通过对摄像头采集的识别图片进行预处理，提取出需要进行识别认证的手掌区域对应的识别手掌图像。具体的，还可以进一步分离出手掌区域的手指和手掌心区域，以方便将识别手掌图像以五个手指和手掌心的特征进行划分的使用；也可以通过其他方式获取识别手掌图像，如接收用户发送的识别手掌图像或识别图片。本实施例对此不做任何限制。
步骤102：对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合。
可以理解的是，每个的样本手掌图像按照如步骤101的方式也可以划分出第一预设数量样本子图像，第二预设数量的样本手掌图像划分出的相同位置的样本子图像可以组成一个样本子图像集合，如第二预设数量的手掌心区域的样本子图像可以组成手掌心区域的样本子图像集合。样本子图像集合中的每个样本子图像各自对应第三预设数量的分类器。本步骤的目的可以为利用每个样本子图像集合中的每个样本子图像各自对应的第三预设数量的分类器，对每个样本子图像集合对应的识别子图像进行分类。如利用手掌心区域的样本子图像集合中每个样本子图像各自对应的第三预设数量的分类器，对手掌心区域的识别子图像进行分类，若手掌心区域的样本子图像集合中包含10个样本子图像，每个样本子图像对应的3个分类器，则手掌心区域的识别子图像可以被30个分类器进行分类，该识别子图像与每个样本子图像对应有3个分类结果。
需要说明的是，本步骤之前还可以包括每个样本子图像集合中的每个样本子图像对应的第三预设数量的分类器的生成过程，如图2所示，可以包括：
步骤201：将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像。
可以理解的是，本步骤中的每个样本手掌图像的划分方法可以与步骤101的识别手掌图像的划分方法相对应，本实施例对此不做任何限制。
具体的，如样本集Ar中有M(第二预设数量)个训练样本(样本手掌图像)，将每个样本手掌图像按局部组件的划分方法进行划分，即将整个手掌的图像基于局部组件的方式划分出样本子图像，以手指及手掌心的特征进行划分，分出五个手指及一个手掌心共六个样本子图像，并将所有样本手掌图像划分后相同位置的样本子图像进行重新组合，得到6个具有独立子模式的样本子图像集合A1，A2，……，A6。
步骤202：利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间。
可以理解的是，以任一样本子图像集合为例，本步骤可以为将样本子图像集合中的每个样本子图像的像素值的以行为单位顺序排列，生成每个样本子图像各自对应的一个向量；
利用样本子图像集合对应的第二预设数量的向量分别减去对应的样本子图像集合平均值的差值，组成样本子图像集合对应的协方差矩阵；其中，样本子图像集合平均值
Figure GDA0001699681870000071
xi为向量，M为第二预设数量，协方差矩阵
Figure GDA0001699681870000072
T为矩阵转置，Xi为xi与
Figure GDA0001699681870000073
的差值；
通过提取协方差矩阵前第四预设数量的最大特征值的特征向量，构成样本子图像集合对应的投影矩阵，并将样本子图像集合中的每个样本子图像分别投影到投影矩阵，获取样本子图像集合中的每个样本手掌图像各自对应的特征子空间；其中，每个样本子图像集合对应第二预设数量的特征子空间。
具体的，可以样本子图像集合中把每一张子图像的像素值一行一行的按顺序排列生成一个向量，把这些向量设为xi(i＝0,1,…,M-1)，用这些向量减去该样本子图像集合平均值
Figure GDA0001699681870000087
得到每个样本子图像与本子图像集合平均值的差值Xi。
其中，
Figure GDA0001699681870000081
由这些差值Xi作为特征值可以构成一个协方差矩阵Q，并提取出前Z(第四预设数量)个最大特征值的特征向量构成Vl(l＝1,2,…,Z-1)，可以构成投影矩阵Wa。
其中，
Figure GDA0001699681870000082
把每个样本子图像分别投影到投影矩阵Wa上，也就是对其进行降维处理
Figure GDA0001699681870000083
可以得到每个样本子图像各自对应的一个特征子空间
Figure GDA0001699681870000084
步骤203：将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器。
可以理解的是，以任一样本子图像对应的特征子空间为例，本步骤可以为将特征子空间分成第三预设数量类样本，利用
Figure GDA0001699681870000085
获取每类样本均值向量；其中，mj为每类样本均值向量，nj为每类样本数，Yi 1为特征子空间，Yj为每类样本，K为第三预设数量；
利用
Figure GDA0001699681870000086
获取整体样本均值向量；其中，m为整体样本均值向量；
令
Figure GDA0001699681870000091
对SbWi＝λSwWi进行求解，获取每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000092
其中，
Figure GDA0001699681870000093
Figure GDA0001699681870000094
P为先验概率，
Figure GDA0001699681870000095
将特征子空间分别投影到每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000096
获取每类样本对应的分类器；其中，每类样本对应的分类器
Figure GDA0001699681870000097
具体的，可以在任一特征子空间Yi 1上构建构件分类器，并标记将该分类器为
Figure GDA0001699681870000098
将该特征子空间Yi 1分为K(第三预设数量)类，每类样本数nj，每类样本Yj，则每类样本均值向量mj为：
Figure GDA0001699681870000099
整体样本均值向量m为：
Figure GDA00016996818700000910
由此可计算：
Figure GDA00016996818700000911
Figure GDA00016996818700000912
Figure GDA00016996818700000913
其中，P为先验概率，可以取值
Figure GDA00016996818700000914
令
Figure GDA00016996818700000915
可以求得满足等式SbWi＝λSwWi的解，即对应矩阵
Figure GDA00016996818700000916
较大的特征值对应的特征向量，可以组成的特征矩阵
Figure GDA00016996818700000917
将该特征子空间Yi 1投影到
Figure GDA00016996818700000918
中，可以得到该特征子空间Yi 1该类的最佳分类特征
Figure GDA00016996818700000919
(分类器)。重复上述分类过程K(第三预设数量)次，则可以得到该特征子空间Yi 1的K个分类器。
步骤103：计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离。
可以理解的是，本步骤的目的可以计算识别子图像利用分离器获取的分类结果与该分类器的欧几里德距离(欧氏距离)，如手掌心区域的识别子图像利用手掌心区域的样本子图像集合中的一个样本子图像的K个分类器
Figure GDA0001699681870000101
得到K个分类结果(Cj)，本步骤可以通过
Figure GDA0001699681870000102
获取K个欧几里德距离dj。
步骤104：根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别。
可以理解的是，本步骤的目的可以为通过识别手掌图像中划分出的每个识别子图像与各自对应的样本子图像集合中的每个样本子图像得到的第三预设数量的欧几里德距离，对识别手掌图像进行识别，也就是，确定是否存在与识别手掌图像匹配的样本手掌图像。
需要说明的是，可以利用识别子图像与对应的样本子图像的第三预设数量的欧几里德距离之和是否小于等于阈值确定，该识别子图像与对应的样本子图像是否匹配，利用识别手掌图像的第一预设数量的识别子图像与样本手掌图像的第一预设数量的样本子图像匹配的个数是否大于或等于第五预设数量，确定识别手掌图像与样本手掌图像是否匹配。也就是，判断识别手掌图像是否存在大于或等于第五预设数量的识别子图像分别与第一样本手掌图像对应的样本子图像对应的第三预设数量的欧几里德距离之和小于或等于阈值；其中，第五预设数量小于或等于第一预设数量；第一样本手掌图像为第二预设数量的样本手掌图像中的任一样本手掌图像；若是，则识别手掌图像属于第一样本手掌图像对应的用户。
具体的，如识别手掌图像的6个识别子图像中存在与大于或等于4个的识别子图像与第一样本手掌图像的样本子图像匹配，则该识别手掌图像可以识别为第一样本手掌图像。只要可以利用通过识别手掌图像中划分出的每个识别子图像与各自对应的样本子图像集合中的每个样本子图像得到的第三预设数量的欧几里德距离，对识别手掌图像进行识别。对于具体的识别方式，可以由设计人员自行设置，本实施例对此不做任何限制。
本实施例中，本发明实施例通过将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像，可以将识别手掌图像划分出多个区域，利用不同区域的特征进行对比完成掌纹识别，提高了掌纹识别的识别效率和准确度。
请参考图3，图3为本发明实施例所提供的一种掌纹识别装置的结构图。该装置可以包括：
划分模块100，用于将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；
分类模块200，用于对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；
计算模块300，用于计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；
识别模块400，用于根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别。
可选的，划分模块200，可以包括：
划分子模块，用于基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。
可选的，该装置还可以包括：
样本划分模块，用于将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像；
特征子空间生成模块，用于利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间；
分类器生成模块，用于将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器。
可选的，特征子空间生成模块，可以包括：
向量生成子模块，用于将样本子图像集合中的每个样本子图像的像素值的以行为单位顺序排列，生成每个样本子图像各自对应的一个向量；
协方差矩阵生成子模块，用于利用样本子图像集合对应的第二预设数量的向量分别减去对应的样本子图像集合平均值的差值，组成样本子图像集合对应的协方差矩阵；其中，样本子图像集合平均值
Figure GDA0001699681870000121
xi为向量，M为第二预设数量，协方差矩阵
Figure GDA0001699681870000122
T为矩阵转置，Xi为xi与
Figure GDA0001699681870000123
的差值；
特征子空间生成子模块，用于通过提取协方差矩阵前第四预设数量的最大特征值的特征向量，构成样本子图像集合对应的投影矩阵，并将样本子图像集合中的每个样本子图像分别投影到投影矩阵，获取样本子图像集合中的每个样本手掌图像各自对应的特征子空间；其中，每个样本子图像集合对应第二预设数量的特征子空间。
可选的，分类器生成模块，可以包括：
每类样本均值向量子模块，用于将特征子空间分成第三预设数量类样本，利用
Figure GDA0001699681870000124
获取每类样本均值向量；其中，mj为每类样本均值向量，nj为每类样本数，Yi 1为特征子空间，Yj为每类样本，K为第三预设数量；
整体样本均值向量子模块，用于利用
Figure GDA0001699681870000125
获取整体样本均值向量；其中，m为整体样本均值向量；
特征向量子模块，用于令
Figure GDA0001699681870000126
对SbWi＝λSwWi进行求解，获取每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000127
其中，
Figure GDA0001699681870000128
Figure GDA0001699681870000129
P为先验概率，
Figure GDA00016996818700001210
分类器生成子模块，用于将特征子空间分别投影到每类样本对应的特征向量组成的特征矩阵
Figure GDA0001699681870000131
获取每类样本对应的分类器；其中，每类样本对应的分类器
Figure GDA0001699681870000132
可选的，识别模块400可以包括：
判断子模块，用于判断识别手掌图像是否存在大于或等于第五预设数量的识别子图像分别与第一样本手掌图像对应的样本子图像对应的第三预设数量的欧几里德距离之和小于或等于阈值；其中，第五预设数量小于或等于第一预设数量；第一样本手掌图像为第二预设数量的样本手掌图像中的任一样本手掌图像；若是，则向识别子模块发送识别信号；
确定子模块，用于接收识别信号，确定识别手掌图像属于第一样本手掌图像对应的用户。
可选的，该装置还可以包括：
采集模块，用于利用摄像头采集识别图片；
预处理模块，用于提取识别图片中的手掌区域，获取识别手掌图像。
本实施例中，本发明实施例通过划分模块100将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像，可以将识别手掌图像划分出多个区域，利用不同区域的特征进行对比完成掌纹识别，提高了掌纹识别的识别效率和准确度。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的掌纹识别方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种掌纹识别方法，其特征在于，包括：
将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；
对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；
计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；
根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别；
还包括：
将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像；
利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间；
将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器；
其中，所述将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器，包括：
将特征子空间分成第三预设数量类样本，利用
Figure FDA0003359834850000011
获取每类样本均值向量；其中，mj为每类样本均值向量，nj为每类样本数，Yi 1为特征子空间，Yj为每类样本，K为第三预设数量；
利用
Figure FDA0003359834850000013
获取整体样本均值向量；其中，m为整体样本均值向量；
令
Figure FDA0003359834850000021
对SbWi＝λSwWi进行求解，获取每类样本对应的特征向量组成的特征矩阵
Figure FDA0003359834850000022
其中，W为投影方向，
Figure FDA0003359834850000023
Figure FDA0003359834850000024
P为先验概率，
Figure FDA0003359834850000025
将特征子空间分别投影到每类样本对应的特征向量组成的特征矩阵
Figure FDA0003359834850000026
获取每类样本对应的分类器；其中，每类样本对应的分类器
Figure FDA0003359834850000027
2.根据权利要求1所述的掌纹识别方法，其特征在于，所述将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像，包括：
基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。
3.根据权利要求1所述的掌纹识别方法，其特征在于，所述利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间，包括：
将样本子图像集合中的每个样本子图像的像素值的以行为单位顺序排列，生成每个样本子图像各自对应的一个向量；
利用样本子图像集合对应的第二预设数量的向量分别减去对应的样本子图像集合平均值的差值，组成样本子图像集合对应的协方差矩阵；其中，样本子图像集合平均值
Figure FDA0003359834850000028
xi为向量，M为第二预设数量，协方差矩阵
Figure FDA0003359834850000029
T为矩阵转置，Xi为xi与
Figure FDA00033598348500000210
的差值；
通过提取协方差矩阵前第四预设数量的最大特征值的特征向量，构成样本子图像集合对应的投影矩阵，并将样本子图像集合中的每个样本子图像分别投影到投影矩阵，获取样本子图像集合中的每个样本手掌图像各自对应的特征子空间；其中，每个样本子图像集合对应第二预设数量的特征子空间。
4.根据权利要求1至3任一项所述的掌纹识别方法，其特征在于，所述根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别，包括：
判断识别手掌图像是否存在大于或等于第五预设数量的识别子图像分别与第一样本手掌图像对应的样本子图像对应的第三预设数量的欧几里德距离之和小于或等于阈值；其中，第五预设数量小于或等于第一预设数量；第一样本手掌图像为第二预设数量的样本手掌图像中的任一样本手掌图像；
若是，则识别手掌图像属于第一样本手掌图像对应的用户。
5.根据权利要求1至3任一项所述的掌纹识别方法，其特征在于，所述将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像之前，还包括：
利用摄像头采集识别图片；
提取识别图片中的手掌区域，获取识别手掌图像。
6.一种掌纹识别装置，其特征在于，包括：
划分模块，用于将获取的识别手掌图像按局部组件的划分方法，划分为第一预设数量的识别子图像；
分类模块，用于对每个识别子图像利用对应的样本子图像集合中第二预设数量的样本子图像各自的第三预设数量的分类器进行分类，获取每个识别子图像与各自对应的样本子图像的第三预设数量的分类结果；其中，样本子图像集合为第二预设数量的样本手掌图像划分的相同特征的样本子图像的集合；
计算模块，用于计算每个分类结果到各自对应的样本子图像的分类器的欧几里德距离；
识别模块，用于根据每个识别子图像与各自对应的样本子图像集合中每个样本子图像的对应的第三预设数量的欧几里德距离，按预设识别方式对识别手掌图进行识别；
还包括：
样本划分模块，用于将获取的第二预设数量的样本手掌图像分别按局部组件的划分方法，划分为第一预设数量的样本子图像集合；其中，每个样本子图像集合包括对应的第二预设数量的样本子图像；
特征子空间生成模块，用于利用随机子空间方法，生成每个样本子图像集合对应的第二预设数量的特征子空间；其中，每个样本子图像对应一个特征子空间；
分类器生成模块，用于将每个特征子空间分成第三预设数量类样本，获取每类样本对应的分类器；
其中，所述分类器生成模块，包括：
每类样本均值向量子模块，用于将特征子空间分成第三预设数量类样本，利用
Figure FDA0003359834850000041
获取每类样本均值向量；其中，mj为每类样本均值向量，nj为每类样本数，Yi 1为特征子空间，Yj为每类样本，K为第三预设数量；
整体样本均值向量子模块，用于利用
Figure FDA0003359834850000043
获取整体样本均值向量；其中，m为整体样本均值向量；
特征向量子模块，用于令
Figure FDA0003359834850000044
对SbWi＝λSwWi进行求解，获取每类样本对应的特征向量组成的特征矩阵
Figure FDA0003359834850000045
其中，
Figure FDA0003359834850000046
Figure FDA0003359834850000047
P为先验概率，
Figure FDA0003359834850000048
分类器生成子模块，用于将特征子空间分别投影到每类样本对应的特征向量组成的特征矩阵
Figure FDA0003359834850000049
获取每类样本对应的分类器；其中，每类样本对应的分类器
Figure FDA00033598348500000410
7.根据权利要求6所述的掌纹识别装置，其特征在于，所述划分模块，包括：
划分子模块，用于基于局部组件的方式，将识别手掌图像以五个手指和手掌心的特征进行划分，划分出6个识别子图像。
CN201810189875.9A 2018-03-08 2018-03-08 一种掌纹识别方法及装置 Expired - Fee Related CN108427923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810189875.9A CN108427923B (zh) 2018-03-08 2018-03-08 一种掌纹识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810189875.9A CN108427923B (zh) 2018-03-08 2018-03-08 一种掌纹识别方法及装置

Publications (2)

Publication Number Publication Date
CN108427923A CN108427923A (zh) 2018-08-21
CN108427923B true CN108427923B (zh) 2022-03-25

Family

ID=63157546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810189875.9A Expired - Fee Related CN108427923B (zh) 2018-03-08 2018-03-08 一种掌纹识别方法及装置

Country Status (1)

Country Link
CN (1) CN108427923B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829383B (zh) * 2018-12-29 2024-03-15 平安科技（深圳）有限公司 掌纹识别方法、装置和计算机设备
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置
CN115527079B (zh) * 2022-02-28 2023-07-14 腾讯科技（深圳）有限公司 掌纹样本的生成方法、装置、设备、介质及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324031A (zh) * 2011-09-07 2012-01-18 江西财经大学 老龄用户多生物特征身份认证中的隐式语义特征提取方法
CN103207993A (zh) * 2013-04-10 2013-07-17 浙江工业大学 基于核的判别随机近邻嵌入分析的人脸识别方法
CN104951774A (zh) * 2015-07-10 2015-09-30 浙江工业大学 基于两种子空间相融合的掌静脉特征提取和匹配方法
CN106446867A (zh) * 2016-10-13 2017-02-22 济南大学 一种基于随机投影加密的双因子掌纹识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324031A (zh) * 2011-09-07 2012-01-18 江西财经大学 老龄用户多生物特征身份认证中的隐式语义特征提取方法
CN103207993A (zh) * 2013-04-10 2013-07-17 浙江工业大学 基于核的判别随机近邻嵌入分析的人脸识别方法
CN104951774A (zh) * 2015-07-10 2015-09-30 浙江工业大学 基于两种子空间相融合的掌静脉特征提取和匹配方法
CN106446867A (zh) * 2016-10-13 2017-02-22 济南大学 一种基于随机投影加密的双因子掌纹识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Finger vein secure biometric template generation based on deep learning;Yi Liu 等;《METHODOLOGIES AND APPLICATION》;20170221;第1-2页 *
基于智能穿戴的社区矫正人员管理系统研究;崔苗，林凡 等;《移动通信》;20171230(第24期);第1-2页 *

Also Published As

Publication number Publication date
CN108427923A (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
JP4505733B2 (ja) テクストンを用いる対象物認識方法及び装置
Chadha et al. Face recognition using discrete cosine transform for global and local features
JP5010905B2 (ja) 顔認証装置
JP6112801B2 (ja) 画像認識装置及び画像認識方法
KR20120069922A (ko) 얼굴 인식 장치 및 그 방법
CN108427923B (zh) 一种掌纹识别方法及装置
CN108416291B (zh) 人脸检测识别方法、装置和系统
Dave et al. Face recognition in mobile phones
Benlamoudi et al. Face spoofing detection using multi-level local phase quantization (ML-LPQ)
CN107480628B (zh) 一种人脸识别方法及装置
Raja et al. Color adaptive quantized patterns for presentation attack detection in ocular biometric systems
Lim et al. Learning discriminability-preserving histogram representation from unordered features for multibiometric feature-fused-template protection
CN106407942B (zh) 一种图像处理方法及其装置
JP3962517B2 (ja) 顔面検出方法及びその装置、コンピュータ可読媒体
JP6714634B2 (ja) 照合装置及び照合方法
Kauba et al. Identifying the origin of iris images based on fusion of local image descriptors and PRNU based techniques
Geetha et al. 3D face recognition using Hadoop
JP4222558B2 (ja) 画像認識装置
CN108573212B (zh) 一种手掌特征身份认证方法及装置
Kisku et al. Multithread face recognition in cloud
JP7270304B2 (ja) ユーザのバイオメトリック特性を有する画像中の物体を識別することにより当該ユーザのｉｄを検証するための方法、及び当該方法を実施するためのモバイル装置
Derman et al. Integrating facial makeup detection into multimodal biometric user verification system
Ghaffari et al. Intensity Separation based Iris Recognition Method using Curvelets and PCA
CN111191519A (zh) 一种用于移动供电装置用户接入的活体检测方法
Kamil et al. Makeup-Invariant Face Recognition using combined Gabor Filter Bank and Histogram of Oriented Gradients

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220325