趙裕峰 遼寧水利職業(yè)學(xué)院

關(guān)鍵字：掌紋識(shí)別 小波變換 2D-2DPCA

引言：掌紋識(shí)別的主要優(yōu)點(diǎn)為：首先掌紋圖像所涵蓋的信息量豐富。我們?cè)谠讷@取掌紋信息的同時(shí)還可以獲取他生物特征。比如，手型、指紋等，從而實(shí)現(xiàn)一體化識(shí)別。而且各類(lèi)紋線信息，不易偽造。再次，信息采集設(shè)備簡(jiǎn)單。同時(shí)，在掌紋圖像采集過(guò)程中不會(huì)涉及到人體的敏感部位，易于被掌紋圖像采集用戶(hù)所接受。因此，掌紋識(shí)別技術(shù)是一項(xiàng)深入研究的生物特征識(shí)別技術(shù)，并且具有有廣大的應(yīng)用前景。掌紋圖像預(yù)處理、掌紋特征提取以及掌紋特征匹配是當(dāng)前掌紋識(shí)別技術(shù)的3個(gè)階段。掌紋特征的提取是這3個(gè)階段的核心。掌紋特征提取算法有基于結(jié)構(gòu)特征、基于統(tǒng)計(jì)特征、基于紋理及變換域特征和基于子空間特征等方法。

本文提出基于2D-2DPCA和小波變換的掌紋識(shí)別算法。采用2D-2DPCA不僅克服了傳統(tǒng)小波變換后直接進(jìn)行PCA遇到的維數(shù)災(zāi)難問(wèn)題，同時(shí)也解決了2DPCA需要更多的特征維數(shù)D來(lái)表征圖像的問(wèn)題。在掌紋數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，該算法的識(shí)別率更高、降低了對(duì)特征維數(shù)D的要求同時(shí)提高了識(shí)別速度。

1 小波變換

小波變換在圖像處理領(lǐng)域以及包括指紋、人臉、虹膜以及字符識(shí)別等特征識(shí)別領(lǐng)域都有突出作用。小波分解非常適合用來(lái)描述多分辨率下單圖像特征，用于獲取較為全面的尺度與方向特征。對(duì)PolyU palmprint datebase經(jīng)過(guò)預(yù)處理獲取的ROI灰度圖像進(jìn)行中值濾波、圖像增強(qiáng)（如圖1）再進(jìn)行三級(jí)小波分解。圖像被分解成4個(gè)子帶，如圖 2所示。為了更清楚的看清掌紋的主線我們采用全局二值化的方法對(duì)圖2中的LL進(jìn)行二值化處理，處理結(jié)果如圖3。

圖 1

圖 2

圖 3

圖 4

圖 5

2 雙向 2DPCA

2DPCA實(shí)質(zhì)上對(duì)圖像的行方向進(jìn)行了最優(yōu)投影計(jì)算。如果所提取的投影矩陣的d增加，則計(jì)算量也將迅速增加。因此，同時(shí)考慮圖像列向量的最優(yōu)投影計(jì)算，可以得到2DPCA在兩個(gè)方向上的值，然后進(jìn)行融合，即2D-2DPCA方法。

2.1 列方向的2DPCA

在2DPCA,圖像的總體散布矩陣G1為：

2.2 D-2DPCA投影矩陣

圖像行間信息是通過(guò)行向量2DPCA反映出來(lái)的。也就是說(shuō)，圖像行間信息是從一系列訓(xùn)練樣本圖像的最優(yōu)化矩陣得出的。我們首先將一個(gè)的圖像a向 的矩陣X上進(jìn)行投影。這樣便會(huì)產(chǎn)生一個(gè)的矩陣Y=aX。同理，圖像的列間信息是通過(guò)列方向的2DPCA反映出來(lái)的。我們同樣會(huì)得到一個(gè)的最優(yōu)化矩陣z。我們將圖像a投影到z上,產(chǎn)生一個(gè)的矩陣將圖像A同時(shí)向X和Z投影,產(chǎn)生一個(gè)的矩陣C：（3-3 ）

此時(shí)，C便是我們通過(guò)2D-2DPCA的方法獲得的具有綜合特征信息的參數(shù)。在獲得該參數(shù)后，我們便可以進(jìn)一步對(duì)掌紋圖像進(jìn)行識(shí)別與處理。

2.3 特征選擇

由于不同類(lèi)別的樣本之間的類(lèi)間散度越大，說(shuō)明其可分性越好。所以我們?cè)谶x取基向量時(shí)應(yīng)該選取有利于分類(lèi)的基向量。可用下式實(shí)現(xiàn)：2DPCA變換中的主分量選取。

通過(guò)上述介紹的2D-2DPCA與小波變換相結(jié)合的方法，可以實(shí)現(xiàn)將一副圖片變成降了維的矩陣。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)所采用的掌紋圖像為香港理工大學(xué)生物研究中心提供的掌紋數(shù)據(jù)庫(kù)。采集掌紋的分辨率為284 384,如圖3所示。采用預(yù)處理技術(shù),將600幅掌紋圖像剪切出大小為128 128的掌紋感興趣區(qū)域,如圖4所示。然后將這600幅帶有掌紋感興趣區(qū)域的圖像分為兩組---訓(xùn)練樣本和測(cè)試樣本。每個(gè)人隨機(jī)選取三幅掌紋圖作為訓(xùn)練樣本,其余三幅作為測(cè)試樣本。通過(guò)中值濾波、圖像增強(qiáng)、三級(jí)小波分解后生成特征矩陣,然后經(jīng)雙向2DPCA降維和特征選擇,可以得到訓(xùn)練樣本與測(cè)試樣本的特征。然后計(jì)算它們之間的歐氏距離。最后運(yùn)用最近鄰算法進(jìn)行識(shí)別。結(jié)果表示2D-2DPCA特征維數(shù)僅為9 9,識(shí)別率最高。

4 結(jié)束語(yǔ)

本文提出了一種基于2D-2DPCA和小波變換的掌紋識(shí)別算法。先將預(yù)處理后的掌紋圖像進(jìn)行三級(jí)小波變換。然后對(duì)其提取高頻子圖像系數(shù)作為特征提取的輸入。再利用2D-2DPCA算法進(jìn)行降維和特征提取,最后利用最近鄰法進(jìn)行識(shí)別。