王莉莉,陳曉華,李春芝

(1.湖州市華數(shù)數(shù)字電視有限公司浙江湖州313000;2.湖州師范學(xué)院信息工程學(xué)院,浙江湖州313000)

基于能量加權(quán)的子帶雜交＊法在掌紋識別中的應(yīng)用

王莉莉1,陳曉華2,李春芝2

(1.湖州市華數(shù)數(shù)字電視有限公司浙江湖州313000;2.湖州師范學(xué)院信息工程學(xué)院,浙江湖州313000)

在掌紋采集過程中,由于受光照噪聲的影響,以及手掌的弓形常常給掌紋采集帶來噪聲.基于此,提出小波變換子帶雜交的一種新穎掌紋識別算法.該算法綜合考慮小波同層各子帶及相鄰層子帶分解系數(shù)的噪聲特點,采用基于掌紋圖像空間能量加權(quán),再由二維主元分析(Two-dimensional Princip le component Analysis,2DPCA)算法降維、去相關(guān),最終由最小距離分類器完成掌紋識別.基于香港理工大學(xué)公布的PolyU掌紋數(shù)據(jù)庫的實驗,此算法正確識別率達到100%.同2DPCA算法相比,提出的算法不僅正確識別率較高,識別效率也較高.

小波變換;子帶雜交;能量加權(quán);二維主元分析;掌紋識別

0 引言

掌紋識別同其他生物特征識別一樣,特征提取是掌紋識別的基礎(chǔ).目前掌紋圖像的特征提取方法大致可以分為三種:第一種是幾何特征的提取,即掌紋線的提取[1～2];第二種是能量特征的提取[3],這種方法一般將圖像分塊,利用不同幅掌紋圖像對應(yīng)塊的能量不同來識別;第三種是目前運用最廣泛的一種,即代數(shù)特征的提取,這種方法對圖像進行某種數(shù)學(xué)變換來求得掌紋圖像最佳特征空間,在新的空間域和不同的特征中可以更好地區(qū)分不同人的掌紋.不同的特征空間往往對應(yīng)不同的識別效果,因此尋找到合適的特征空間是實現(xiàn)掌紋識別的關(guān)鍵[4].由于掌紋圖像面積大、線條多,使得數(shù)據(jù)量及特征空間大,而且其中各種紋線相互交錯,有著不同的方向、長度、寬度、凹凸對比度低以及掌紋的弓形結(jié)構(gòu)特點,導(dǎo)致掌紋圖像容易受噪聲影響.基于此,本文提出基于能量加權(quán)的子帶雜交法的一種新穎掌紋識別算法.

該算法首先對預(yù)處理后的掌紋圖像進行小波變換,綜合考慮小波同層各子帶及相鄰層子帶分解系數(shù)的噪聲特點,采用基于掌紋圖像空間能量加權(quán),對小波分解后每一層水平方向子帶、對角方向子帶、垂直方向子帶以及低頻子帶進行能量加權(quán),從而實現(xiàn)小波變換的子帶雜交,再進行小波反變換,得到小波重構(gòu)掌紋圖像.接著用二維主元分析方法(Two-Dimensional Princip le Component A nalysis,2DPCA)進行特征提取[5],最終用最小距離分類器實現(xiàn)識別.基于香港理工大學(xué)公布的PolyU掌紋數(shù)據(jù)庫的實驗結(jié)果表明,子帶雜交后的重構(gòu)圖像含有更豐富的信息量,有效地保留了掌紋圖像中對識別有效的特征信息,并且解決了掌紋特征提取過程中手掌的非平面問題導(dǎo)致的偽主線噪聲信息以及光照噪聲.與2DPCA算法相比,本文算法是一種更加有效的掌紋識別算法.

1 掌紋識別算法

經(jīng)過研究發(fā)現(xiàn),掌紋部分細小的紋理會隨年齡或人身體健康狀況的變化發(fā)生一定的改變,但是掌紋上三條主線是不會變化的[6].與指紋相比,掌紋紋理表現(xiàn)更為復(fù)雜和多樣.

掌紋識別就是要判定兩幅圖像是否來自于同一個手掌[1～3].本文提出基于小波變換子帶雜交的一種新穎掌紋識別算法,首先將預(yù)處理后的掌紋圖像進行多尺度小波變換,綜合考慮同層各子帶及相鄰子帶分解系數(shù)的特征,根據(jù)掌紋噪聲特點,再進行小波系數(shù)能量加權(quán),即子帶雜交,接著由小波反變換實現(xiàn)掌紋圖像重構(gòu).再由2DPCA算法進行特征提取,最終用最小距離分類器實現(xiàn)掌紋識別.

1.1 小波變換

圖像處理中最常用的是二進制小波變換.令尺度按2的冪級數(shù)進行離散化,即a=20,21,22,…,2j,j =1,2,…,N.冪指數(shù)j較小的變化會引起尺度非常大的變化,因此二進制小波變換在信號分析中具有高效的變焦作用.當f(x,y)表示一幅圖像信號時,其二進制小波變換相當于f(x,y)分別沿x方向和y方向經(jīng)由不同的一維濾波器濾波,得到低頻和高頻子帶圖像.

圖像經(jīng)過小波變換后,若在某一頻率和方向上具有較明顯的特征,與之對應(yīng)的子帶圖像的輸出則具有較大的能量,因此圖像信息集中在相應(yīng)的少數(shù)小波系數(shù)上.信號經(jīng)過小波變換,只要使用尺度合適的小波函數(shù),可以任意尺度觀察信號.同時,信號可分解成近似分量與細節(jié)分量.近似分量代表信號的低頻分量,細節(jié)分量代表信號的高頻分量.對于含噪信號,噪聲分量的主要能量一般集中在小波分解的細節(jié)分量中.

考慮到掌紋圖像不同區(qū)域內(nèi)的紋理具有空間無序性,對應(yīng)信號頻率的突變,本文采用小波變換后的子帶雜交完成掌紋圖像的重構(gòu).對二維的掌紋圖像進行小波變換,采用先對行信號,再對列信號進行變換.

1.2 子帶雜交——系數(shù)能量加權(quán)

綜合考慮小波同層各子帶及相鄰層子帶小波分解系數(shù)的噪聲特點,本文給出的子帶雜交具體步驟如圖1所示.假設(shè)Ai(i=1,2,…,M,M表示掌紋訓(xùn)練樣本數(shù))為任意掌紋圖像矩陣,其中掌紋圖像的低頻子帶A1(0)i表示小波分解后的第一層低頻子帶,進入下一層繼續(xù)進行小波分解,直到得到最頂層AN(0)i,N= 1,2,…,(N表示小波分解層數(shù)),其余三個不同方向的高頻子帶進入雜交處理單元,提取掌紋圖像中對識別有效的特征,最終由小波逆變換得到新的掌紋圖像Bi.

1.3 2DPCA用于掌紋識別

經(jīng)過子帶雜交后,訓(xùn)練樣本假設(shè)為Bi∈Rm×n,i=1,2,…,M.然后利用2DPCA去二階統(tǒng)計相關(guān)、降維,求得訓(xùn)練樣本的投影特征.訓(xùn)練樣本的協(xié)方差矩陣G定義為:

其中,G∈Rn×n.協(xié)方差矩陣的特征值與特征向量的求解為:

其中,Λ∈Rn×n表示特征值組成的對角陣,U為特征值對應(yīng)的特征向量組成的正交陣.設(shè)協(xié)方差矩陣G的特征值表示為λi(i=1,2,…,n),對應(yīng)的特征向量表示為則Λ=U=[u1,u2,…,un].選擇前d個較大特征值對應(yīng)的特征向量ui(i=1,2,…,d)來構(gòu)造特征子空間,其中計算訓(xùn)練樣本Bi∈Rm×n的主元,即

其中,Yd∈Rn×d稱為訓(xùn)練樣本的投影特征,表示為Yd=[y1,y2,…,yd].

假設(shè)任意測試樣本的投影特征表示為Yd′=[y1′,y2′,…,yd′],訓(xùn)練樣本的投影特征表示為Yd= [y1,y2,…,yd],則其歐幾里德距離為:

利用最小距離分類器即可實現(xiàn)掌紋識別.

2 實驗結(jié)果與分析

2.1 實驗對象

本文采用香港理工大學(xué)公布的PolyU掌紋數(shù)據(jù)庫,從PolyU掌紋數(shù)據(jù)庫中選擇216人的掌紋,共4104幅掌紋圖像.每只掌紋有19幅圖像,部分掌紋的前10幅和后9幅分兩次拍攝,其余掌紋的前9幅和后10幅分兩次拍攝,時間相隔兩個月.分辨率為384×284,灰度級為256.這些圖像在拍攝時受到不同的光照影響.

2.2 實驗結(jié)果與分析

為驗證本文提出的算法性能,本文在Intel,Celeron M CPU,1.73GHz,MA TLAB6.5的環(huán)境下進行了掌紋識別實驗.實驗過程中,分別選取了不同時期內(nèi)所拍攝的圖像以及同一時期內(nèi)拍攝的圖像,訓(xùn)練樣本數(shù)與測試樣本數(shù)均不同時,以及樣本次序列變化時,與2DPCA算法進行比較,實驗結(jié)果表明本文算法的正確識別率均要比2DPCA算法有效.

在掌紋識別中,本文首先將原始掌紋圖像進行預(yù)處理,切割對識別有用的掌紋信息,接著采用雙線性內(nèi)插法把每幅圖像縮小為像素,然后用小波三層分解,由于對角方向子帶反映的是圖像整體結(jié)構(gòu)信息,通常含有更多的噪聲,而水平方向子帶包含有部分對識別有效的紋理信息,隨著分解層數(shù)的增加,各個方向上子帶的分辨率下降,在小波分解的第一層的低頻子帶包含了很多光照信息,因此本文依次設(shè)定第三層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數(shù)進行雜交;設(shè)定第二層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數(shù)進行子帶雜交;設(shè)定第一層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數(shù)進行子帶雜交,最終實現(xiàn)掌紋圖像重構(gòu),得到穩(wěn)定的掌紋主線.將掌紋矩陣再利用2DPCA進行降維、去相關(guān)和特征提取,最終利用最小距離分類器完成識別.當每只掌紋的4幅圖像用于訓(xùn)練,其他15幅圖像用于測試,這樣訓(xùn)練樣本與測試樣本分別為864、3240幅.再選取每只掌紋同一時期拍攝的9幅圖像進行實驗,每只掌紋的4幅圖像用于訓(xùn)練,其他5幅用于測試,訓(xùn)練樣本和測試樣本分別為864、1080幅.樣本次數(shù)均隨機產(chǎn)生,并與2DPCA算法比較,結(jié)果如表1所示.這里,正確識別率定義為正確識別的樣本數(shù)除以參加測試的樣本數(shù).特征提取時間定義為訓(xùn)練樣本特征提取的時間除以參加訓(xùn)練的樣本數(shù).模態(tài)一定義為同一時期內(nèi)拍攝的每只掌紋9幅圖像,共1944幅掌紋圖像用于測試的實驗;模態(tài)二定義為兩個時期內(nèi)(時間間隔為兩個月)拍攝的每只掌紋19幅圖像(其中前9幅和后10幅拍攝的時間間隔為兩個月),共4104幅掌紋圖像用于測試的實驗.

從表1可以看出,隨著樣本次序的變化,正確識別率也在變化.在模態(tài)一實驗時,隨著樣本次序的變化本文算法最高正確識別率可達100%.其中本文平均正確識別率比2DPCA算法平均正確識別率高出0.734個百分點.在模態(tài)二實驗時,當樣本次序隨機產(chǎn)生時,最高正確識別率為97.51%,并且本文算法平均正確識別率比2DPCA算法平均正確識別率高出3.74個百分點.這表明本文提出的算法在特征提取時具有一定的穩(wěn)定性,對噪聲不敏感.同時在兩個模態(tài)上的實驗,本文算法的特征提取時間的平均值要低于2DPCA算法,這也充分表明該算法的高效性.

表1 基于PolyU掌紋數(shù)據(jù)庫的識別結(jié)果

3 總結(jié)與展望

在掌紋圖像獲取過程中,除了會受到光照不均勻等噪聲影響外,手掌本身的非平面也會導(dǎo)致獲取的掌紋圖像質(zhì)量下降,產(chǎn)生偽主線、陰影等干擾信息,增加了掌紋特征提取的難度.基于此,本文提出基于能量加權(quán)的子帶雜交的掌紋識別算法,該算法充分考慮小波分解后同層及相鄰層系數(shù)噪聲特點,從而設(shè)定權(quán)值實現(xiàn)子帶雜交.實驗結(jié)果表明,該算法很好地解決了噪聲問題,提取了對噪聲不太敏感的特征信息,同時通過小波變換后的子帶雜交還簡化了運算.與2DPCA算法比較,本文算法優(yōu)于2DPCA算法.

[1]CH ISTIAN R,RISH I K,RICHARD SM,et al.Op tical measurement methods to study dynamic behavio r in M EMS [J].Proceedingsof SPIE,2001,44(1):127～137.

[2]LU GM,ZHANGD,WANG K Q.Palmp rint recognition using eigenpalm s features[J].Pattern Recognition Letters, 2003,24(9～10):1473～1477.

[3]DAV ID Z,GUANGM L,ADAMSW K,et al.Online Palmp rint Identification System for Civil App lications[J].Comput Sci&Technol,2005,20(1):70～76.

[4]HAN C C,CHENG H L,L IN C L,et al.Personal authentication using palmp rint features[J].Pattern Recognition, 2003,36(2):371～381.

[5]甘俊英,李春芝.基于小波變換的二維獨立元分析及其在人臉識別中的應(yīng)用[J].系統(tǒng)仿真學(xué)報,2007,17(3):612～615.

[6]ZHANGD,KONGW K,YOU J,et al.On-line palmp rint identification[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2003,25(9):1041～1050.

Abstract:A s palmp rint acquisition is often influenced by illum ination,and also the arch of the palmp rint resulted in much noise during the course of palmp rint image shot.This paper p resents palmp rint recognition based on energy weight w ith cross band fusion.Comp rehensively taking into account the noisy p ropertiesof various sub-bands in single wavelet level and decomposition coefficient of the adjacent sub -band,we emp loy themethod of energy weight based on palmp rint image,then emp loy Two-dimensional Principle component Analysis(2DPCA)for dimension reduction and de-correlated and finally, use a nearest neighbo r classifier fo r palmp rint recognition.Experimental results on Hong Kong Poly U palmp rint experiments show that correct recognition rate can reach 100%by themethod.A lso right recognition rate and recognition efficiency is higher than that by 2DPCA.

Key words:w avelet transfo rmation;cross band fusion;energy w eight;two-dimensional p rincip le component analysis;palmp rint recognition

Palmprint Recogn ition Based on Energy Weight with Cross Band Fusion

WANG Li-li1,L IChun-zhi2,CHEN Xiao-hua2
(1.Huashu Digital TV Co.,L td,Huzhou 313000,China; 2.Faculty of Information Engineering,Huzhou Teachers College,Huzhou 313000,China)

TP391

A

1009-1734(2010)02-0064-05

2010-02-20

浙江省自然科學(xué)基金項目(Y1100095);湖州市自然科學(xué)資金項目(2010YZ04).

王莉莉,助理工程師,從事數(shù)字電視前端的信號處理研究.