桑海峰，黃 靜

（沈陽(yáng)工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110870）

安全可靠的個(gè)人身份認(rèn)證是避免和抑制公共安全事件發(fā)生的一個(gè)重要環(huán)節(jié).基于人體生物特征的身份識(shí)別技術(shù)給我們提供了一種解決上述問(wèn)題的絕佳方案［1－2］.現(xiàn)有的研究和實(shí)際應(yīng)用表明，生物特征識(shí)別技術(shù)已經(jīng)在一些特定的或具體的領(lǐng)域得到了使用，并且因?yàn)槠涓髯元?dú)特的生物特性，在某些方面甚至表現(xiàn)出極其出色的性能［3－4］.但是，這些基于單一生物特征的身份識(shí)別在實(shí)際應(yīng)用中都面臨現(xiàn)實(shí)的問(wèn)題，使得各種生物特征識(shí)別技術(shù)的優(yōu)點(diǎn)和缺點(diǎn)同樣突出.多生物特征識(shí)別成為研究者為了解決在生物特征識(shí)別研究中遇到的困難以及在推向?qū)嶋H應(yīng)用的過(guò)程中面臨的問(wèn)題和需要而作出的自然的選擇［5］.

多生物特征識(shí)別系統(tǒng)往往需要為不同的特征配備不同的采集設(shè)備，而信息獲取過(guò)程是否方便快速將影響身份認(rèn)證設(shè)備的應(yīng)用.指紋信息獲取方式比較方便，但許多國(guó)家為了提高指紋信息的唯一性，越來(lái)越多地采用10個(gè)手指的指紋信息，使得采集過(guò)程變得既不方便也不快捷.

本文以手形和掌紋信息來(lái)構(gòu)造多生物特征識(shí)別系統(tǒng)，采用非接觸定焦攝像機(jī)成像方式.另外，由于采集過(guò)程是非接觸的，因此被測(cè)試者會(huì)感覺(jué)到衛(wèi)生、舒適，而且手掌不會(huì)因?yàn)榻佑|到采集平面而發(fā)生變形［6－7］.

1 識(shí)別系統(tǒng)

圖1 識(shí)別系統(tǒng)的流程圖Fig.1 Diagram of recognition system

本文提出一種手形結(jié)合掌紋的身份認(rèn)證系統(tǒng)（見(jiàn)圖1）.該系統(tǒng)采用非接觸式采集方式，人手只需自然張開(kāi)并放在攝像頭前一定范圍內(nèi)即可.提出一種通過(guò)關(guān)鍵點(diǎn)定位來(lái)提取手形和掌紋特征的方法.對(duì)于手形，采用k近鄰分類(lèi)器和支持向量機(jī)分類(lèi)器相結(jié)合實(shí)現(xiàn)個(gè)人身份的識(shí)別，再利用掌紋特征對(duì)手形分類(lèi)結(jié)果加以認(rèn)證，實(shí)現(xiàn)了手形和掌紋相結(jié)合的組合識(shí)別.該算法運(yùn)行于白天辦公工作環(huán)境下即可.

1.1 圖像采集與預(yù)處理

本文采用單一背景的非接觸方式進(jìn)行手圖像采集，所采集的彩色圖像直接進(jìn)行了灰度化處理.效果如圖2所示.要進(jìn)一步進(jìn)行圖像特征提取，首先要進(jìn)行圖像預(yù)處理，由于采用了單一背景圖像采集，因此直接采用全局直方圖閾值法進(jìn)行圖像二值化，即通過(guò)統(tǒng)計(jì)全圖的直方圖來(lái)活動(dòng)二值化的分割閾值［8］，并通過(guò)中值濾波對(duì)手形邊緣加以平滑來(lái)過(guò)濾掉圖像噪聲.該方法是對(duì)整個(gè)圖像進(jìn)行逐點(diǎn)遍歷，使用的是窗口模板.模板窗口將所有像素的圖像的像素值進(jìn)行排序，其中間值作為核心像素，此產(chǎn)生的新的圖像就是中值濾波后得到的圖像［9］.圖3為預(yù)處理后的效果圖.

圖2 采集的原始圖Fig.2 The original image

圖3 二值化后的圖像Fig.3 Binarized image

1.2 關(guān)鍵點(diǎn)定位

由于手圖像在整個(gè)圖像中的位置并不固定，因此，要想提取手形和掌紋特征，首先要找到定位基準(zhǔn)，文中所要定位的關(guān)鍵點(diǎn)為食指、中指、無(wú)名指和小指的指尖點(diǎn)（T1，T2，T3，T4）及它們的指根點(diǎn)（C1，C2，C3），如圖4a所示.具體定位過(guò)程如下.

（1）手形輪廓跟蹤.在處理后的二值圖像上，找到右上端手邊界點(diǎn)作為起始點(diǎn)，按逆時(shí)針?lè)较蜻M(jìn)行輪廓跟蹤，記錄輪廓邊界點(diǎn)的坐標(biāo).

（2）關(guān)鍵點(diǎn)區(qū)域定位.以輪廓點(diǎn)為中心，生成半徑為9像素的模板圓，計(jì)算模板圓內(nèi)像素個(gè)數(shù)N（即手掌部分在模板圓內(nèi)的面積）來(lái)定位指尖點(diǎn)、指根點(diǎn)的區(qū)域.N值的大小由具體的實(shí)驗(yàn)確定.此過(guò)程會(huì)將手指上和手腕附近一些區(qū)域也定位進(jìn)來(lái)，為此可以采用如圖4d所示計(jì)算曲率的辦法加以排除.公式為

通過(guò)曲率的方法，排除非關(guān)鍵點(diǎn)的干擾，得到較為準(zhǔn)確的指尖點(diǎn)和指根點(diǎn)的鏈碼區(qū)域，如圖4b和圖4c所示.

（3）關(guān)鍵點(diǎn)定位.選擇每個(gè)定位區(qū)域的中間點(diǎn)作為關(guān)鍵點(diǎn)，記錄3個(gè)指根點(diǎn)、4個(gè)指尖點(diǎn)在輪廓鏈碼中的位置以及在圖像中的坐標(biāo).如圖4a所示.

1.3 手形特征的提取

圖4 指尖點(diǎn)和指根點(diǎn)的定位過(guò)程Fig.4 The location process of fingertips points and finger root points

由于采用非接觸方式進(jìn)行圖像采集，手的絕對(duì)大小是不固定的，因此，本文采用手指相對(duì)長(zhǎng)度作為手形特征.具體提取過(guò)程如下.

（1）以中指和無(wú)名指之間的指根點(diǎn)C2為例.分別沿C2點(diǎn)沿手形輪廓向前、向后各掃描若干像素點(diǎn)，定義最外的兩個(gè)點(diǎn)分別為C21和C22，連接點(diǎn)C2和C21，C2和C22（圖5a）， 在點(diǎn)C2和C21之間的手形輪廓上，尋找距離線段C2C21最遠(yuǎn)的點(diǎn)V2D；在點(diǎn)C2和C22之間的手形輪廓上，尋找距離線段C2C22最遠(yuǎn)的點(diǎn)V3U.指根點(diǎn)C1，C3處進(jìn)行相同的操作，從而得到指根點(diǎn)ViU（i＝2，3，4），ViD（i＝1，2，3）.

圖5 手形特征點(diǎn)定位及特征選取過(guò)程Fig.5 Hand feature location and feature selection process

（2）定位食指和小指的外邊界指根點(diǎn).以食指為例，連接點(diǎn)T1和C1，以T1為圓心、｜T1C1｜為半徑沿逆時(shí)針?lè)较虍?huà)圓，與手形輪廓的第一個(gè)交點(diǎn)即為食指的外邊界點(diǎn)V1U（如圖5b所示）.小拇指進(jìn)行類(lèi)似的處理，得到外邊界點(diǎn)V4D.從而尋找到了四指的指尖點(diǎn)（T1，T2，T3，T4）和指根點(diǎn)ViU，ViD（i＝1，2，3，4）（如圖5c所示）.

（3）連接每個(gè)手指的兩側(cè)指根點(diǎn)，例如食指的指根連線V1UV1D，計(jì)算該線段的中點(diǎn)坐標(biāo)N1，連接T1N1，中指、無(wú)名指、小指進(jìn)行類(lèi)似的處理.T1N1，T2N2，T3N3，T4N4為4個(gè)手指的絕對(duì)長(zhǎng)度，如圖5d所示.然后計(jì)算各個(gè)手指絕對(duì)長(zhǎng)度兩兩之間的相對(duì)長(zhǎng)度（包括6個(gè)相對(duì)長(zhǎng)度，即T1N1／T2N2，T1N1／T3N3，T1N1／T4N4，T2N2／T3N3，T2N2／T4N4，T3N3／T4N4），作為手形的特征向量，記為di（i＝1，2，…，6）.

1.4 掌紋特征的提取

要提取掌紋特征，首先要定位感興趣區(qū)域（ROI），其過(guò)程如下：

（1）連接已確定的指根點(diǎn)C1和C3，計(jì)算線段C1C3的長(zhǎng)度，記為L(zhǎng)，作出線段C1C3的垂直平分線，建立新的坐標(biāo)系；

（2）根據(jù)新坐標(biāo)系及原坐標(biāo)系之間的角度關(guān)系旋轉(zhuǎn)圖像；

（3）在旋轉(zhuǎn)后的圖像中，距離線段C1C3L／5處，以L為邊長(zhǎng)截取方形區(qū)域；

（4）經(jīng)過(guò)縮放歸一化大小為128×128的圖像，即ROI區(qū)域，如圖6所示.

Gabor小波具有優(yōu)良的空間局部性、空間頻率及方向選擇性，能夠提取圖像局部區(qū)域的多尺度、多方向的顯著特征［10］.研究表明，Gabor變換最適合應(yīng)用于對(duì)皮膚一類(lèi)紋理的分析［11］，并且從頻域中看掌紋紋理的頻率波動(dòng)范圍并不大，因此，可利用Gabor變換的方法提取掌紋特征.

圖6 掌紋感興趣區(qū)域的截取Fig.6 Interception of the interested area of palmprint

本文選用4尺度6方向（5π／6，4π／6，3π／6，2π／6，π／6，0）組成的24個(gè) Gabor濾波器對(duì)掌紋ROI區(qū)域圖像進(jìn)行濾波，每幅圖像可以得到24個(gè)濾波器輸出，將它們疊在一起形成24×1的行向量.由于得到的向量維數(shù)比較大，為了提高計(jì)算效率，需要對(duì)Gabor變換后的結(jié)果進(jìn)行降維，主成分分析（PCA）是一種行之有效的降維方法.PCA的目的是通過(guò)線性變換尋找一組最優(yōu)的單位正交向量基（即主分量），用它們的線性組合來(lái)重構(gòu)原樣本，并使重構(gòu)以后的樣本和原樣本的均方誤差最?。?2］.所以本文采用PCA對(duì)該向量進(jìn)行降維，得到的結(jié)果作為掌紋特征.

2 實(shí)驗(yàn)平臺(tái)

本文采用 MVC－II－3M型130萬(wàn)像素?cái)z像頭、單一顏色背景板構(gòu)成簡(jiǎn)易非接觸式采集裝置，工作環(huán)境為白天室內(nèi)環(huán)境.拍攝圖像時(shí)，手掌自然張開(kāi)，與鏡頭的表面平行即可.根據(jù)實(shí)驗(yàn)需要，本文基于Matlab GUI設(shè)計(jì)了一套完整的在線識(shí)別模擬系統(tǒng)，其構(gòu)成包括手掌圖像采集及預(yù)處理模塊、特征提取模塊、特征匹配模塊.模擬系統(tǒng)工作界面如圖7所示.模擬系統(tǒng)工作在CPU主頻3.2 GHz，內(nèi)存2GB，Windows XP系統(tǒng)下.

為了模擬一定條件下的實(shí)際應(yīng)用環(huán)境，本文采用兩個(gè)實(shí)驗(yàn)條件完全不同的圖庫(kù)進(jìn)行混合.分別是實(shí)驗(yàn)室自采圖庫(kù)和香港科技大學(xué)提供的手掌圖庫(kù).

圖7 模擬系統(tǒng)工作界面Fig.7 Interface of simulation system

調(diào)節(jié)手與攝像頭的距離，使手掌圖像位于鏡頭的景深范圍之內(nèi)，此距離即為圖像采集位置.采集50人的右手手掌圖像，每人10幅，圖像分辨率為640×480，如圖8所示.在香港科技大學(xué)提供的手形數(shù)據(jù)庫(kù)中抽取70人，這樣就建立了一個(gè)120人的混合圖庫(kù).

圖8 實(shí)驗(yàn)室自采圖像Fig.8 Images collected by laboratory

3 實(shí)驗(yàn)與分析

為了比較本文所提出的基于手形和掌紋的融合識(shí)別方法的優(yōu)越性，本文進(jìn)行了一系列完整的實(shí)驗(yàn)，將單獨(dú)手形識(shí)別、單獨(dú)掌紋識(shí)別和融合識(shí)別進(jìn)行比較.

3.1 手形識(shí)別和掌紋識(shí)別

在每個(gè)人的10幅手掌圖像中，以任意5幅圖像作為訓(xùn)練樣本，其余5幅圖像作為測(cè)試樣本.

（1）應(yīng)用文中手形相對(duì)距離算法提取特征，采用歐式距離匹配，采用最近鄰分類(lèi)方法分類(lèi).公式如式（2）所示.若待測(cè)者的手形特征向量與用戶注冊(cè)的手形特征向量的歐式距離Dt小于閾值T，則判斷為同一人的手，否則判斷為不同人的手.合法匹配與非法匹配距離分布曲線如圖9所示，等錯(cuò)誤率曲線如圖10所示.兩圖的橫坐標(biāo)均為歸一化后的歐式距離.

圖9 手形距離分布曲線Fig.9 The hand distance distribution curve

圖10 手形等錯(cuò)誤率曲線Fig.10 Equal error rate curve of hand shape

由實(shí)驗(yàn)結(jié)果分析可知，利用手指的相對(duì)長(zhǎng)度進(jìn)行身份識(shí)別，平均匹配時(shí)間為0.054 4s，在等錯(cuò)誤率的情況下識(shí)別率僅為82.98%.

（2）對(duì)于掌紋ROI圖像，采用2D－Gabor方向?yàn)V波的特征提取方法，采用漢明距離DH匹配實(shí)驗(yàn)，采用最近鄰分類(lèi)方法分類(lèi).P和Q分別表示兩個(gè)人的掌紋圖像經(jīng)2D－Gabor變換后提取的特征矩陣，其漢明距離計(jì)算公式如式（3）所示.式中，M為樣本個(gè)數(shù).合法匹配與非法匹配距離分布曲線如圖11所示，等錯(cuò)誤率曲線如圖12所示.兩圖的橫坐標(biāo)均為歸一化后的歐式距離.

圖11 掌紋距離分布曲線Fig.11 The palmprint distance distribution curve

圖12 掌紋等錯(cuò)誤率曲線Fig.12 Equal error rate curve of palmprint

由實(shí)驗(yàn)結(jié)果分析可知，利用掌紋的2D－Gabor方法進(jìn)行身份識(shí)別，在等錯(cuò)誤率的情況下識(shí)別率可以達(dá)到98.96%，但平均匹配時(shí)間消耗較大.

3.2 手形和掌紋相結(jié)合的組合識(shí)別

提取手形特征后的關(guān)鍵問(wèn)題是設(shè)計(jì)一種優(yōu)良的分類(lèi)器，將待測(cè)樣本劃分到正確的類(lèi)別中.將k近鄰分類(lèi)器和支持向量機(jī)分類(lèi)器相結(jié)合就實(shí)現(xiàn)了這一種高效的分類(lèi)器.

k近鄰分類(lèi)的基本思想是：在所有M個(gè)樣本中找到與測(cè)試樣本Y的k個(gè)近鄰，設(shè)k1，k2，…，kc分別是k個(gè)近鄰中屬于ω1，ω2，…，ωc類(lèi)的樣本數(shù)，若kj（Y）＝max｛ki（X）｝（i＝1，2，…，c），則X∈ωj.

SVM是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上發(fā)展起來(lái)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論［13］.由于SVM算法是一個(gè)凸優(yōu)化問(wèn)題，因此局部最優(yōu)解一定是全局最優(yōu)解.其基本思想是通過(guò)在原空間或經(jīng)投影后的高維空間中構(gòu)造最優(yōu)分類(lèi)面，如圖13所示.

給定一組訓(xùn)練數(shù)據(jù) T＝｛（x1，y1），…，（xl，yl）｝∈（X×Y）l，其中，xi∈X?Rn，yi∈Y＝｛－1，1｝，i＝1，…，l.

超平面定義為

式中，φ是原始數(shù)據(jù)空間到高維特征空間的映射；b為偏差.則SVM的決策函數(shù)為

式中，α＊i，b＊為求解帶約束條件的二次規(guī)劃問(wèn)題得到的系數(shù)；K（x·xi）為核函數(shù).

圖13 最優(yōu)分劃超平面Fig.13 Optimal partition hyperplane

由于手形的訓(xùn)練樣本在特征空間中沒(méi)有表現(xiàn)出良好的聚類(lèi)，因此k近鄰分類(lèi)器的分類(lèi)性能較差，當(dāng)k個(gè)近鄰中存在多個(gè)kj（X）時(shí)，必然造成誤分類(lèi).SVM算法在解決小樣本識(shí)別問(wèn)題中具有獨(dú)特的優(yōu)勢(shì)和較高的分類(lèi)精度，但對(duì)大規(guī)模分類(lèi)問(wèn)題訓(xùn)練時(shí)間較長(zhǎng).文中利用k近鄰算法將手形的訓(xùn)練樣本減少到k個(gè)，然后通過(guò)SVM算法進(jìn)行分類(lèi)，有效提高了算法的識(shí)別速度，再利用掌紋特征對(duì)手形分類(lèi)結(jié)果加以認(rèn)證，有效提高了識(shí)別系統(tǒng)在實(shí)際應(yīng)用時(shí)的安全性和穩(wěn)定性.

（1）對(duì)于任意待測(cè)樣本，使用手形識(shí)別的方法計(jì)算其與所有注冊(cè)樣本的歐式距離，利用k近鄰分類(lèi)器尋找與之距離最近的k個(gè)樣本.

（2）將這k個(gè)樣本作為訓(xùn)練樣本，利用SVM算法實(shí)現(xiàn)對(duì)測(cè)試樣本的最終分類(lèi).

（3）計(jì)算對(duì)應(yīng)類(lèi)別的掌紋圖像與待測(cè)樣本掌紋圖像的漢明距離DH，根據(jù)掌紋的等錯(cuò)誤率曲線設(shè)定閾值Tpalm，當(dāng)DH＜Tpalm時(shí)，則匹配成功，否則待識(shí)別人員即為非注冊(cè)人員.匹配結(jié)果如表1所示.

表1 三種算法的比較Table 1 Comparison of the three algorithms

通過(guò)對(duì)表1數(shù)據(jù)的分析，在混合圖庫(kù)上進(jìn)行實(shí)驗(yàn)，單獨(dú)的手形識(shí)別方法識(shí)別率較低，掌紋識(shí)別方法的時(shí)間消耗過(guò)大，而二者相結(jié)合的組合識(shí)別方法在保證系統(tǒng)的高識(shí)別率和低時(shí)間消耗的同時(shí)，盡可能地降低錯(cuò)誤識(shí)別率（FAR），提高了識(shí)別系統(tǒng)的安全性.

4 結(jié) 語(yǔ)

對(duì)于手形特征，本文采用k近鄰分類(lèi)器和支持向量機(jī)分類(lèi)器相結(jié)合實(shí)現(xiàn)個(gè)人身份的識(shí)別，再利用掌紋特征對(duì)手形分類(lèi)結(jié)果加以認(rèn)證，實(shí)現(xiàn)了手形和掌紋相結(jié)合的組合識(shí)別.實(shí)驗(yàn)證明，二者相結(jié)合的組合識(shí)別方法的識(shí)別率達(dá)到98.65%，有效提高了識(shí)別系統(tǒng)在實(shí)際應(yīng)用時(shí)的安全性和穩(wěn)定性.下一步的工作是研究當(dāng)手掌平面相對(duì)鏡頭發(fā)生傾斜時(shí)的識(shí)別研究，以進(jìn)一步提高識(shí)別系統(tǒng)的實(shí)用性.

［1］ Chen Baofeng，Lou Bailing，Wang Yuanzhuo，et al.A Biometrics Method on Facial and Features［J］.Computer Science，2005，32（8）：189－191.

［2］ 苑瑋琦.生物特征識(shí)別技術(shù)［M］.北京：科學(xué)出版社，2009：1－5.

（Yuan Weiqi.Biometric Authentication［M］.Beijing：Science Press，2009：1－5.）

［3］ Sang Haifeng，Ma Yueshi.Robust Palmprint Recognition based on Touch－less Color Palmprint Images Acquired［C］∥The 6th International Conference on Bioinformatics and Biomedical Engineering.Shanghai，2012：541－544.

［4］ 王曉云，郭金玉.低階不變矩人耳識(shí)別方法［J］.沈陽(yáng)大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，24（2）：62－65.

（Wang Xiaoyun，Guo Jinyu.Human Ear Recognition Methods based on Low－order Moment Invariants［J］.Journal of Shenyang University：Natural Science，2012，24（2）：62－65.）

［5］ 桑海峰，趙云.基于人手自然張開(kāi)的多生物特征識(shí)別［J］.儀器儀表學(xué)報(bào)，2011，32（11）：15－22.

（Sang Haifeng，Zhao Yun. Multi－biological Features Recognition based on Natural Open of Hand［J］.Chinese Journal of Scientific Instrument，2011，32（11）：15－22.）

［6］ Nicolae D.A Survey of Biometric Technology based on Hand Shape［J］.Pattern Recognition，2009，42（1）：2797－2806.

［7］ Adams K，David Z，Mohamed K.A Survey of Palmprint Recognition［J］.Pattern Recognition，2009，42（7）：1408－1418.

［8］ 章毓晉.圖像分割［M］.北京：科學(xué)出版社，2001：130－135.

（Zhang Yujin.Image Segmentation［M］.Beijing：Science Press，2001：130－135.）

［9］ 沈庭芝，方子文.數(shù)字圖象處理與模式識(shí)別［M］.北京：北京理工大學(xué)出版社，1998：140－160.）

（Shen Tingzhi，F(xiàn)ang Ziwen.Digital Image Processing and Pattern Recognition［M］.Beijing：Beijing Institute of Technology Press，1998：140－160.）

［10］ Duc B，F(xiàn)ischer S，Bign J.Face Authentication with Gabor Information on Deformable Graphs［J］.IEEE Trans.Image Process，1999，8（4）：504－516.

［11］ Wai K K，David Z，Li W X.Palmprint Feature Extraction Using 2－D Gabor Filters［J］.Pattern Recognition，2003，36（10）：2339－2347.

［12］ Sirovich L，Kirby M.Low－dimensional Procedure for the Characterization of Human Faces［J］.J.Optical Soc.Am.，1987，4（3）：519－524.

［13］ Cortes C，Vapnik V.Support Vector Networks［J］.Machine Learning，1995，20（3）：273－297.