李 萍，井榮枝，2，尚怡君

（1.鄭州大學(xué) 西亞斯國際學(xué)院，河南 鄭州 451150；2.華中科技大學(xué) 湖北 武漢 430074）

隨著人類社會安全形勢越來越嚴(yán)峻和人們安全意識的不斷增強(qiáng)，傳統(tǒng)的基于指紋的身份鑒別方式已不能滿足人們的需要。當(dāng)前，掌紋識別在市場經(jīng)濟(jì)高速發(fā)展的需求下日趨成熟。由于掌紋識別自身的獨(dú)特優(yōu)勢，它已經(jīng)成為生物識別中的重要內(nèi)容，對其研究也必將推動其他生物識別技術(shù)的發(fā)展。掌紋識別[1]是近幾年發(fā)展起來的較新的生物特征識別技術(shù)，而且研究表明這種技術(shù)也可獲得很高的識別率。掌紋識別技術(shù)是通過圖像處理、模式識別等方法，利用人的掌紋特征來鑒別個(gè)人身份的技術(shù)。掌紋作為一種新的生物識別技術(shù)，掌紋識別需要具有較高的分辨能力以及較高的用戶接受度，而且掌紋所包含的信息遠(yuǎn)比指紋提供的信息豐富，利用掌紋的線特征、點(diǎn)特征、紋理特征、幾何特征完全可以確定一個(gè)人的身份。因此，從理論上講掌紋識別應(yīng)比指紋分析技術(shù)更可靠。同時(shí)，掌紋識別設(shè)備比較低廉。利用特定的識別算法，甚至可以利用低分辨率和低質(zhì)量的掌紋圖像來完成識別過程。所以這一課題的研究不僅具有較高的學(xué)術(shù)價(jià)值、理論與實(shí)用意義，而且具有廣闊的應(yīng)用前景和良好的潛在社會與經(jīng)濟(jì)效益。早期的研究方法是對掌紋的幾何特征進(jìn)行提取，即利用人的手形特征進(jìn)行識別，但效果不是很令人滿意。近年來人們利用掌紋區(qū)域來進(jìn)行識別。掌紋識別的研究涉及到眾多領(lǐng)域的理論和方法，該研究與其它眾多學(xué)科（如圖像處理和模糊模式識別）的發(fā)展緊密關(guān)聯(lián)，更多的數(shù)學(xué)和物理方法，如周期分析、多元回歸、逐步回歸、聚類分析、時(shí)間序列分析、判別分析、主成分分析、馬爾可夫鏈和模糊數(shù)學(xué)、圖論、混沌理論和云計(jì)算等也被用于掌紋識別中。相關(guān)方法已經(jīng)被用于圖像處理中[2-3]，如目標(biāo)定位和檢測等。在目標(biāo)定位中，主要應(yīng)用峰值點(diǎn)對應(yīng)的位置信息來確定圖像的位置。不變矩作為圖像的特征被廣泛的應(yīng)用于二維圖像識別領(lǐng)域當(dāng)中[4-5]，本文將不變矩的非線性組合應(yīng)用于掌紋識別，取得了較好的效果。

1 掌紋識別系統(tǒng)的基本框架

掌紋是指手指末端到手腕部分的手掌圖像，其很多特征可以用來進(jìn)行身份識別：如主線、皺紋、細(xì)小的紋理、脊末梢、分叉點(diǎn)等。在線掌紋識別系統(tǒng)一般包括5個(gè)部分：

1）掌紋圖像采集。根據(jù)不同的采集設(shè)備（例如CCD照像機(jī)）采集掌紋區(qū)域圖像。首先利用某種設(shè)備（基于CCD的專門掌紋圖像采集儀、數(shù)碼照相機(jī)等）對掌紋圖像進(jìn)行采集，然后掌紋圖像轉(zhuǎn)換成可以用計(jì)算機(jī)處理的矩陣數(shù)據(jù)，一般采集利用的都是二維灰度圖像；

2）圖像預(yù)處理。根據(jù)手形或者特定設(shè)備提供基準(zhǔn)線對圖像預(yù)處理，提取掌紋感興趣（ROI）區(qū)域。預(yù)處理的目的是使所采集的掌紋圖像能方便的對圖像后續(xù)處理，如去除噪聲使圖像更清晰，對輸入測量引起或其他因素所造成的退化現(xiàn)象進(jìn)行復(fù)原，并對圖像進(jìn)行歸一化處理，如圖1所示。最常見的掌紋預(yù)處理就是切割ROI區(qū)域[6-7]。

圖1 掌紋圖像預(yù)處理Fig.1 The palmprint image pretreatment

2 掌紋圖像特征提取

不變矩作為圖像的特征被廣泛的應(yīng)用于二維圖像識別領(lǐng)域當(dāng)中。有學(xué)者由二維圖像的幾何矩的非線性組合推導(dǎo)出了7項(xiàng)具有旋轉(zhuǎn)、平移和尺度不變性的不變矩，且證明了這些矩保留了數(shù)據(jù)的分類信息。具體算法描述如下：

p+q級改進(jìn)矩定義為：

它表示是沿著閉合輪廓的線積分。在實(shí)際應(yīng)用中我們采用離散化公式來近似計(jì)算：

3）提取特征。根據(jù)不同的方法從掌紋ROI區(qū)域中提取不同的特征，例如紋理特征、方向特征、頻域特征等。經(jīng)過了預(yù)處理的信息仍然比較龐大和冗余，需要對預(yù)處理過的信息進(jìn)行數(shù)據(jù)特征提取與選擇，并且建立相應(yīng)的數(shù)據(jù)庫用于存儲處理過的特征信息；

4）匹特匹配，對應(yīng)不同方法使用某種特定距離進(jìn)行特征匹配；

5）特征分類，根據(jù)預(yù)先設(shè)置的閾值進(jìn)行分類與識別。

一般情況下，第4）步和第5）步可以簡單概括為：計(jì)算待識別掌紋的特征信息與數(shù)據(jù)庫中所有特征信息的距離，距離最小的掌紋類別即為識別的結(jié)果。

以上提到的掌紋識別的基本框架見圖2。在實(shí)際應(yīng)用在線識別系統(tǒng)中還需要其他部分，如個(gè)人注冊、圖像質(zhì)量檢測等。

圖2 掌紋識別系統(tǒng)框架Fig.2 The system framework of the Palmprint identification

中心距μpq定義為：

為了得到尺度不變性μpq正則化為：

這些不變矩的組成的向量對于平移、旋轉(zhuǎn)和比例尺變化具有保持不變的性質(zhì)，因此可以做為掌紋圖像的分類特征，對掌紋進(jìn)行識別。

3 實(shí)驗(yàn)結(jié)果

采用PolyU掌紋庫，該數(shù)據(jù)庫中共包括600副掌紋圖像，其中有100個(gè)不同人的掌紋，每個(gè)人的掌紋有6副圖像分別在2個(gè)時(shí)期采集的，采集時(shí)間間隔為2個(gè)月。在實(shí)驗(yàn)中，每個(gè)人第一時(shí)期采集的三副圖像作為訓(xùn)練集，第二時(shí)間采集的三副圖像作為測試集。

實(shí)驗(yàn)環(huán)境為個(gè)人PC機(jī)，處理器為Intel Pentium 4 processor（2.66 GHz），內(nèi)存為4.0 G，Windows XP操作系統(tǒng)，使用Matlab 7.0。

首先，進(jìn)行預(yù)處理。將所有的掌紋圖像歸一化為128×128的子圖像，然后計(jì)算每幅圖像的不變矩，利用這個(gè)矩組作為掌紋識別特征，然后利用簡單的K-最近鄰（K=1）分類器進(jìn)行識別，并與已有的掌紋識別方法Palm－Code[8]、Fusion－Code[9]和Competitive－Code[10]進(jìn)行了比較。表1給出了掌紋識別結(jié)果。

表1 各種掌紋識別方法比較Tab.1 The comparison results of the various palmprint identification methods

由表1可以看出，不同方向?qū)alm Code算法的識別結(jié)果影響比較大；在Fusion Code中，規(guī)則化Hamming距離被用于計(jì)算測試圖像與訓(xùn)練圖像間的相似度，由于該方法把4個(gè)方向（0°、45°、90°、135°）進(jìn)行了融合，所以誤差（EER）得到了提高；在Competitive Code中，由于提取的特征是在6個(gè)方向（0°、30°、60°、90°、120°、150°）的Gabor濾波器競爭編碼的結(jié)果，所以實(shí)驗(yàn)結(jié)果有了較大提高；而不變矩方法考慮了掌紋的不同角度，對旋轉(zhuǎn)、平移和尺度具有不變性，所以得到的識別率最高。

4 結(jié) 論

本文利用非線性不變矩組成的向量進(jìn)行掌紋識別，實(shí)驗(yàn)結(jié)果表明該方法的識別率最高。不足之處是不變矩對圖象的描述太過籠統(tǒng)，沒有反映掌紋的細(xì)節(jié)，而且它的計(jì)算量較大。所以，我們下一步的工作是挖掘簡單魯棒的掌紋分類特征。

[1]Connie T，Teoh A，Goh M，et al.Palmprint recognition with PCA and ICA[C].Image and Vision Computing New Zealand 2003，Palmerston North，New Zealand，November，2003：232－227.

[2]ITO K，Aoki T，Nakajima H.A palmprint recognition algorithm using phase-only correlation[J].IEICE Transaction on Fundamentals，2008（4）：1023－1030.

[3]Hennings P，Kumar B，Savvides M.Palmprint classification using multiple advanced correlation filters and palm-specific segmentation[J].IEEE Trans.on Information Forensics and Security，2007，2（3）：613－622.

[4]Tomasi C，Manduchi R.Bilateral filtering for gray and color images[C].Proceedings of the Sixth International Conference on Computer Vision，1998：4－7.

[5]MK Hu.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory，1962（8）：179－187.

[6]Zhang D，Kong A，You J，et al.Online palmprint identification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（9）：1041－1050.

[7]Kong A，Zhang D.Competitive coding scheme for palmprint verification[C].Proc.Of the 17th ICPR，2004（1）：520－523.

[8]Kong A，Zhang D，Kamel M.Palmprint identification using feature-level fusion[J].Pattern Recognition，2006，39（3）：478－487.