CN108573212B - 一种手掌特征身份认证方法及装置 - Google Patents

Abstract

本发明公开了一种手掌特征身份认证方法及装置，该方法包括：获取识别手掌图像；对识别手掌图像进行降维处理，获取识别手掌图像对应的特征矩阵；将识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值；其中，预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别；本发明通过将识别手掌图像进行降维处理后获取的特征矩阵投影到预设投影特征矩阵上，可以将手掌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，保证手掌识别的效率和准确度。

Description

一种手掌特征身份认证方法及装置

技术领域

本发明涉及身份认证技术领域，特别涉及一种手掌特征身份认证方法及装置。

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，保证手掌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手掌特征身份认证方法及装置，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，保证手掌识别的效率和准确度。

为解决上述技术问题，本发明提供一种手掌特征身份认证方法，包括：

获取识别手掌图像；

对所述识别手掌图像进行降维处理，获取所述识别手掌图像对应的特征矩阵；

将所述识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取所述识别手掌图像对应的特征值；其中，所述预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；

根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别。

可选的，该方法还包括：

对每个所述样本手掌图像进行降维处理，获取每个所述样本手掌图像各自对应的特征矩阵。

可选的，所述对每个所述样本手掌图像进行降维处理，获取每个所述样本手掌图像各自对应的特征矩阵，包括：

设置初始的迭代次数i为1；

计算获取所述样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合；其中，所述右变换矩阵

n为第一预设数量，A_j为样本手掌图像集合，A_j∈R^r×c(j＝1,2,…n)，

I_l1为l1×l1的单位矩阵，l1为第二阈值，T为矩阵转置；

计算获取所述样本手掌图像集合对应的左变换矩阵的前第二阈值个最大特征值各自对应的特征向量，构成第二矩阵集合；其中，所述左变换矩阵

I_l2为l2×l2的单位矩阵，l2为第一阈值；

令i＝i+1，判断是否符合预设收敛条件；其中，所述预设收敛条件为

F为矩阵范数；

若否，则执行所述计算获取所述样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合的步骤；

若是，则令H_L＝H_Li-1，H_R＝H_Ri-1，获取每个所述样本手掌图像各自对应的特征矩阵

可选的，该方法还包括：

将所述样本手掌图像集合分成第二预设数量类样本，利用

每类样本均值向量；m_k为每类样本均值向量，n_j为每类样本数，M为第二预设数量，A为每类样本；

利用

获取整体样本均值向量；其中，m为整体样本均值向量；

令

对S_bW_i＝λS_wW_i进行求解，并将解得的特征向量组成所述预设投影特征矩阵；其中，

P为先验概率，

可选的，该方法还包括：

将每个所述样本手掌图像各自对应的特征矩阵D_j分别投影到所述预设投影特征矩阵，获取每个所述样本手掌图像各自对应的特征值。

可选的，所述获取识别手掌图像，包括：

利用摄像头采集识别图片；

提取所述识别图片中的手掌区域，获取所述识别手掌图像。

可选的，所述根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别，包括：

判断所述样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与所述识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；

若是，则确定所述识别手掌图像属于所述第一样本手掌图像对应的用户。

可选的，所述确定所述识别手掌图像属于所述第一样本手掌图像对应的用户之后，还包括：

将所述第一样本手掌图像对应的特征值更新为所述识别手掌图像对应的特征值。

此外，本发明还提供了一种手掌特征身份认证装置，包括：

获取模块，用于获取识别手掌图像；

降维模块，用于对所述识别手掌图像进行降维处理，获取所述识别手掌图像对应的特征矩阵；

投影模块，用于将所述识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取所述识别手掌图像对应的特征值；其中，所述预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；

识别模块，用于根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别。

可选的，所述识别模块，包括：

判断子模块，用于判断所述样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与所述识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；若是，则向识别子模块发送识别信号；

识别子模块，用于接收所述识别信号，确定所述识别手掌图像属于所述第一样本手掌图像对应的用户。

本发明所提供的一种手掌特征身份认证方法，包括：获取识别手掌图像；对识别手掌图像进行降维处理，获取识别手掌图像对应的特征矩阵；将识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值；其中，预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别；

可见，本发明通过将识别手掌图像进行降维处理后获取的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值，获取手掌上具有明显特征位置上的特征值；通过根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别，可以将手掌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，保证手掌识别的效率和准确度。此外，本发明还提供了一种手掌特征身份认证装置，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手掌特征身份认证方法的流程图；

图2为本发明实施例所提供的一种手掌特征身份认证装置的结构图。

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手掌特征身份认证方法的流程图，该方法可以包括：

步骤101：获取识别手掌图像。

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，对于本步骤中识别手掌图像的具体获取方式，可以由设计人员或用户根据实用场景和用户需求自行设置，如可以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；也就是通过提取摄像头采集到的识别图片中的手掌区域，获取识别手掌图像。也可以直接接收用户发送的识别图片或识别手掌图像。只要可以获取需要进行识别的手掌区域的图像，本实施例对此不做任何限制。

步骤102：对识别手掌图像进行降维处理，获取识别手掌图像对应的特征矩阵。

可以理解的是，本步骤的目的可以为对识别手掌图像进行与样本手掌图像进行相同的降维处理，获取识别手掌图像对应的特征矩阵，以通过接下来的步骤，利用采用相同的降维处理获取的识别手掌图像和样本手掌图像各自对应的特征矩阵，在相同的预设投影特征矩阵上进行投影后得到的特征值进行匹配识别。对于对识别手掌图像进行降维处理的具体方式，可以采用与对样本手掌图像进行降维处理对应的方式。本实施例对此不做任何限制。

需要说明的是，本实施所提供的方法可以包括对每个样本手掌图像进行降维处理，获取每个样本手掌图像各自对应的特征矩阵的步骤，以根据获取的样本手掌图像集合自动生成每个样本手掌图像各自对应的特征值，增加本实施例所提供的方法的全面性。如可以设置初始的迭代次数i为1；

计算获取样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合；其中，右变换矩阵

n为第一预设数量，A_j为样本手掌图像集合，A_j∈R^r×c(j＝1，2，…n)，

I_l1为l1×l1的单位矩阵，l1为第二阈值，T为矩阵转置；

计算获取样本手掌图像集合对应的左变换矩阵的前第二阈值个最大特征值各自对应的特征向量，构成第二矩阵集合；其中，左变换矩阵

I_l2为l2×l2的单位矩阵，l2为第一阈值；

令i＝i+1，判断是否符合预设收敛条件；其中，预设收敛条件为

F为矩阵范数；

若否，则执行计算获取样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合的步骤；

若是，则令H_L＝H_Li-1，H_R＝H_Ri-1，获取每个样本手掌图像各自对应的特征矩阵

具体的，A_j∈R^r×c(j＝1,2,…,n)可以为样本手掌图像集合中的n(第一预设数量)个样本手掌图像，每个样本手掌图像均为r×c维。获取每个样本手掌图像对应的特征矩阵，就是要找到矩阵H_L∈R1^r×l1，H_R∈R2^c×l2，使得

尽可能地逼近A_j，D_j∈R3^l1×l2，也就是求解以下公式极大化问题：

具体的，包含n(第一预设数量)的样本手掌图像的样本手掌图像集合A_j∈R^r×c(j＝1,2,…n)中的每个样本手掌图像均为r×c维。获取每个识别手掌图像对应的特征矩阵，也就要找到矩阵H_L∈R1^r×l1，H_R∈R2^c×l2，使得

尽可能地逼近A_j，D_j∈R3^{l1 ×l2}，也就是求解以下公式极大化问题：

可以通过如下方式求解：

(a)给H_L赋值H_L0，

I_l1为l1×l1的单位矩阵，设置迭代次数i为1；

(b)计算右变换矩阵

的前l2个最大特征值所对应的特征向量，构成矩阵集合

(第一矩阵集合)；

(c)计算左变换矩阵

的前l1个最大特征值所对应的特征向量，构成矩阵集合

(第一矩阵集合)；

(d)令i＝i+1，重复步骤(b)和(c)，直到算法收敛。收敛条件如下：

其中，RE(i-1)和RE(i)分别为算法的第i-1次和第i次迭代的图像重构误差的平方根。图像重构误差的平方根的表达式如下：

(e)令H_L＝H_Li-1，H_R＝H_Ri-1，求

得到特征矩阵D_j。

步骤103：将识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值；其中，预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应。

其中，本步骤中的预设投影特征矩阵可以为样本手掌图像集合对应的一个特征矩阵，每个样本手掌图像和识别样本图像均可以在该特征矩阵上进行投影获取对应的特征值。

可以理解的是，对于本步骤中的预设投影特征矩阵的具体获取方式，可以为用户或设计人员预先设置的特征矩阵，也可以为根据样本手掌图像集合自动生成的特征矩阵，只要识别手掌图像可以利用预设投影特征矩阵获取对应的特征值，本实施例对于预设投影特征矩阵的具体获取方式和内容，不做任何限制。

需要说明的是，本实施例所提供的方法还可以包括根据样本手掌图像集合，自动生成预设投影特征矩阵的步骤。如将样本手掌图像集合分成第二预设数量类样本，利用

每类样本均值向量；m_k为每类样本均值向量，n_j为每类样本数，M为第二预设数量，A为每类样本；

利用

获取整体样本均值向量；其中，m为整体样本均值向量；

令

对S_bW_i＝λS_wW_i进行求解，并将解得的特征向量组成预设投影特征矩阵；其中，

P为先验概率，

具体的，计算预设投影特征矩阵W_a，也就是计算S_bW_i＝λS_wW_i的前一定数量个最大特征值所对应的特征向量组成投影特征矩阵。其中，S_b为类间离散矩阵，S_w为类内离散矩阵，W为投影方向。假设样本手掌图像集合A_j(j＝1,2,…,n)分为M(第二预设数量)类，每类样本数n_j，每类样本A，每类样本均值向量m_k为：

整体样本均值向量m为：

由此可计算：

其中，P为先验概率，可以取值

令

求得满足等式S_bW_i＝λS_wW_i的解，即对应矩阵

较大的特征值对应的特征向量，可以组成的预设投影特征矩阵W_a。

可以理解的是，本实施例所提供的方法还可以包括自动生成每个样本手掌图像对应的特征值的步骤，也就是，将每个样本手掌图像各自对应的特征矩阵D_j分别投影到预设投影特征矩阵W_a，获取每个样本手掌图像各自对应的特征值C_j的步骤，其中，C_j＝W_aD_j。

需要说明的是，本步骤中的将识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值，可以参考上述自动生成每个样本手掌图像对应的特征值的步骤。自此不再赘述。

步骤104：根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，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对应的特征值与每个样本手掌图像对应的特征值的欧氏距离(欧几里得距离)，确定识别手掌图像是否可以匹配到样本手掌图像集合中的样本手掌图像。

具体的，对于本步骤中的具体的识别方式，可以由设计人员根据实用场景和用户需求自行设置，如可以判断样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；若是，则确定识别手掌图像属于第一样本手掌图像对应的用户。其中，第一样本手掌图像可以为识别手掌图像集合中的任一样本手掌图像。只要可以利用识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图像进行识别，本实施例对此不做任何限制。

需要说明的是，为了提高本实施例所提供的方法的准确性，可以将识别出的识别手掌图像对应的特征值更新至存储样本手掌图像对应的特征值的样本库，使得样本库中的信息更加齐全，避免手掌在随时间的变化过程中出现的微小改变不断积累造成明显的特征改变而使识别失败的情况。如将识别手掌图像匹配到的第一样本手掌图像对应的特征值更新为识别手掌图像对应的特征值。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识别手掌图像进行降维处理后获取的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值，获取手掌上具有明显特征位置上的特征值；通过根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别，可以将手掌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，保证手掌识别的效率和准确度。

请参考图2，图2为本发明实施例所提供的一种手掌特征身份认证装置的结构图。该装置可以包括：

获取模块100，用于获取识别手掌图像；

降维模块200，用于对识别手掌图像进行降维处理，获取识别手掌图像对应的特征矩阵；

投影模块300，用于将识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值；其中，预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；

识别模块400，用于根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别。

可选的，该装置还可以包括：

样本降维模块，用于对每个样本手掌图像进行降维处理，获取每个样本手掌图像各自对应的特征矩阵。

可选的，样本降维模块，可以包括：

设置子模块，用于设置初始的迭代次数i为1；

第一计算子模块，用于计算获取样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合；其中，右变换矩阵

n为第一预设数量，A_j为样本手掌图像集合，A_j∈R^r×c(j＝1,2,…n)，

I_l1为l1×l1的单位矩阵，l1为第二阈值，T为矩阵转置；

第二计算子模块，用于计算获取样本手掌图像集合对应的左变换矩阵的前第二阈值个最大特征值各自对应的特征向量，构成第二矩阵集合；其中，左变换矩阵

I_l2为l2×l2的单位矩阵，l2为第一阈值；

判断子模块，用于令i＝i+1，判断是否符合预设收敛条件；其中，预设收敛条件为

F为矩阵范数；若否，则向第一计算子模块发送启动信号；若是，则获取子模块发送启动信号；

获取子模块，用于令H_L＝H_Li-1，H_R＝H_Ri-1，获取每个样本手掌图像各自对应的特征矩阵

可选的，该装置还可以包括：

每类样本均值向量计算模块，用于将样本手掌图像集合分成第二预设数量类样本，利用

每类样本均值向量；m_k为每类样本均值向量，n_j为每类样本数，M为第二预设数量，A为每类样本；

整体样本均值向量计算模块，用于利用

获取整体样本均值向量；其中，m为整体样本均值向量；

预设投影特征矩阵获取模块，用于令

对S_bW_i＝λS_wW_i进行求解，并将解得的特征向量组成预设投影特征矩阵；其中，

P为先验概率，

可选的，该装置还可以包括：

样本投影模块，用于将每个样本手掌图像各自对应的特征矩阵D_j分别投影到预设投影特征矩阵，获取每个样本手掌图像各自对应的特征值。

可选的，获取模块100，可以包括：

采集子模块，用于利用摄像头采集识别图片；

提取子模块，用于提取识别图片中的手掌区域，获取识别手掌图像。

可选的，识别模块400，包括：

判断子模块，用于判断样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；若是，则向识别子模块发送识别信号；

识别子模块，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：

更新模块，用于将第一样本手掌图像对应的特征值更新为识别手掌图像对应的特征值。

本实施例中，本发明实施例通过投影模块300将识别手掌图像进行降维处理后获取的特征矩阵投影到预设投影特征矩阵上，获取识别手掌图像对应的特征值，获取手掌上具有明显特征位置上的特征值；通过识别模块400根据识别手掌图像对应的特征值与每个样本手掌图像对应的特征值的欧氏距离，对识别手掌图进行识别，可以将手掌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，保证手掌识别的效率和准确度。

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手掌特征身份认证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 (8)

1.一种手掌特征身份认证方法，其特征在于，包括：

获取识别手掌图像；

对所述识别手掌图像进行降维处理，获取所述识别手掌图像对应的特征矩阵；

将所述识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取所述识别手掌图像对应的特征值；其中，所述预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；

根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别；还包括：

对每个所述样本手掌图像进行降维处理，获取每个所述样本手掌图像各自对应的特征矩阵；

其中，所述对每个所述样本手掌图像进行降维处理，获取每个所述样本手掌图像各自对应的特征矩阵，包括：

设置初始的迭代次数i为1；

计算获取所述样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合；其中，所述右变换矩阵

n为第一预设数量，A_j为样本手掌图像集合，A_j∈R^r×c(j＝1,2,…n)；i为1时，

I_l1为l1×l1的单位矩阵，l1为第二阈值，T为矩阵转置；

计算获取所述样本手掌图像集合对应的左变换矩阵的前第二阈值个最大特征值各自对应的特征向量，构成第二矩阵集合；其中，所述左变换矩阵

i为1时，

I_l2为l2×l2的单位矩阵，l2为第一阈值；

令i＝i+1，判断是否符合预设收敛条件；其中，所述预设收敛条件为

F为矩阵范数；

若否，则执行所述计算获取所述样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合的步骤；

若是，则令H_L＝H_Li-1，H_R＝H_Ri-1，获取每个所述样本手掌图像各自对应的特征矩阵

2.根据权利要求1所述的掌特征身份认证方法，其特征在于，还包括：

将所述样本手掌图像集合分成第二预设数量类样本，利用

每类样本均值向量；m_k为每类样本均值向量，n_j为每类样本数，M为第二预设数量，A为每类样本；

利用

获取整体样本均值向量；其中，m为整体样本均值向量；

令

对S_bW_i＝λS_wW_i进行求解，并将解得的特征向量组成所述预设投影特征矩阵；其中，

P为先验概率，

W为投影方向。

3.根据权利要求2所述的掌特征身份认证方法，其特征在于，还包括：

将每个所述样本手掌图像各自对应的特征矩阵D_j分别投影到所述预设投影特征矩阵，获取每个所述样本手掌图像各自对应的特征值。

4.根据权利要求1至3任一项所述的手掌特征身份认证方法，其特征在于，所述获取识别手掌图像，包括：

利用摄像头采集识别图片；

提取所述识别图片中的手掌区域，获取所述识别手掌图像。

5.根据权利要求1至3任一项所述的手掌特征身份认证方法，其特征在于，所述根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别，包括：

判断所述样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与所述识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；

若是，则确定所述识别手掌图像属于所述第一样本手掌图像对应的用户。

6.根据权利要求5所述的手掌特征身份认证方法，其特征在于，所述确定所述识别手掌图像属于所述第一样本手掌图像对应的用户之后，还包括：

将所述第一样本手掌图像对应的特征值更新为所述识别手掌图像对应的特征值。

7.一种手掌特征身份认证装置，其特征在于，包括：

获取模块，用于获取识别手掌图像；

降维模块，用于对所述识别手掌图像进行降维处理，获取所述识别手掌图像对应的特征矩阵；

投影模块，用于将所述识别手掌图像对应的特征矩阵投影到预设投影特征矩阵上，获取所述识别手掌图像对应的特征值；其中，所述预设投影特征矩阵与第一预设数量的样本手掌图像组成的样本手掌图像集合相对应；

识别模块，用于根据所述识别手掌图像对应的特征值与每个所述样本手掌图像对应的特征值的欧氏距离，对所述识别手掌图进行识别；

还包括：样本降维模块，用于对每个所述样本手掌图像进行降维处理，获取每个所述样本手掌图像各自对应的特征矩阵；

其中，所述样本降维模块包括：

设置子模块，用于设置初始的迭代次数i为1；

第一计算子模块，用于计算获取所述样本手掌图像集合对应的右变换矩阵的前第一阈值个最大特征值各自对应的特征向量，构成第一矩阵集合；其中，所述右变换矩阵

n为第一预设数量，A_j为样本手掌图像集合，A_j∈R^r×c(j＝1,2,…n)；i为1时，

I_l1为l1×l1的单位矩阵，l1为第二阈值，T为矩阵转置；

第二计算子模块，用于计算获取所述样本手掌图像集合对应的左变换矩阵的前第二阈值个最大特征值各自对应的特征向量，构成第二矩阵集合；其中，所述左变换矩阵

i为1时，

I_l2为l2×l2的单位矩阵，l2为第一阈值；

判断子模块，用于令i＝i+1，判断是否符合预设收敛条件；其中，所述预设收敛条件为

F为矩阵范数；若否，则向所述第一计算子模块发送启动信号；若是，则向获取子模块发送启动信号；

获取子模块，用于令H_L＝H_Li-1，H_R＝H_Ri-1，获取每个所述样本手掌图像各自对应的特征矩阵

8.根据权利要求7所述的手掌特征身份认证装置，其特征在于，所述识别模块，包括：

判断子模块，用于判断所述样本手掌图像集合中是否存在第一样本手掌图像对应的特征值与所述识别手掌图像对应的特征值的欧氏距离小于或等于第三阈值；若是，则向识别子模块发送识别信号；

识别子模块，用于接收所述识别信号，确定所述识别手掌图像属于所述第一样本手掌图像对应的用户。

Images