周 威， 劉 輝， 曾偉高

(湖南師范大學(xué) 物理與信息科學(xué)學(xué)院，湖南 長沙 410006)

0 引 言

傳統(tǒng)的個(gè)人身份鑒別已經(jīng)無法滿足社會(huì)的需要，生物特征識(shí)別技術(shù)是代替?zhèn)鹘y(tǒng)方法的有效途徑。指紋識(shí)別是使用得最早、最廣泛,也是最為成熟的一種生物識(shí)別技術(shù)[1]，但其不足之處在于:過干、過濕、較臟的手指不易識(shí)別,且指紋取像必須按壓適度[2]。另外，人臉識(shí)別、手型識(shí)別和聲音識(shí)別獨(dú)特性、持久性和識(shí)別精度都不高[3，4]。苑瑋琦等人[5]將掌紋灰度圖像看作是三維空間下的灰度曲面，并將該曲面作為特征進(jìn)行匹配，通過較大紋理存在的差異來計(jì)算方差，進(jìn)而通過灰度曲面的凹凸程度來識(shí)別。該算法利用整幅圖像進(jìn)行匹配，丟失了部分掌紋信息，在數(shù)據(jù)逐漸加大的情況下，識(shí)別率會(huì)降低。陳梓毅等人[6]利用灰度差統(tǒng)計(jì)，通過判斷對象點(diǎn)的灰度值和連續(xù)掌紋線點(diǎn)集的點(diǎn)數(shù)，提取出掌紋線的二值圖像，最后通過隸屬度評價(jià)掌紋線的提取效果。但該算法復(fù)雜度高，且識(shí)別率低，不滿足實(shí)時(shí)性要求。然而，主線和褶皺并不是圖像的全部信息，乳突紋波動(dòng)較大的細(xì)小紋理同樣是區(qū)分掌紋的重要信息。竺樂慶等人[7]利用Sobel算子求圖像的梯度，提出指節(jié)紋主紋線特征，受光照影響較大，用投影匹配算法匹配的精度低。

本文提出的基于頂帽變換的掌紋、指節(jié)紋識(shí)別改進(jìn)算法把指節(jié)紋與掌紋識(shí)別技術(shù)結(jié)合起來[8～12]，僅提取指節(jié)紋和掌紋的主紋線，這樣即增加了識(shí)別面積又提高了抗干擾能力，頂帽變換還能消除關(guān)照影響，且匹配過程速度快。適用于在大的手掌庫中進(jìn)行中高層粗匹配，篩選出最相似的庫本進(jìn)入下一層進(jìn)行精細(xì)匹配。

1 圖像預(yù)處理

1.1 掌紋圖像預(yù)處理

本文拍攝的各手掌圖像要求攝像頭和手掌保持的相同距離不變、且五指張開和背景為黑色。采用Rgbzgray算法將采集的彩色圖像(圖1(a))進(jìn)行灰度化處理(圖1(b))。之后二值化提取手掌區(qū)域(圖1(c))，用Sobel算子提取手掌邊緣輪廓(圖1(d))。

圖1 圖像預(yù)處理

1.1.1 頂帽變換提取指節(jié)紋、掌紋

通常采用開運(yùn)算去除與結(jié)構(gòu)元素相比尺寸較小的明亮細(xì)節(jié)，保持圖像整體的灰度值和較大的明亮區(qū)域不受影響，用閉運(yùn)算去除與結(jié)構(gòu)元素相比尺寸較小的暗細(xì)節(jié)，保持圖像整體灰度值和大的暗區(qū)域不受影響。

頂帽變換屬于組合形態(tài)學(xué)運(yùn)算，假設(shè)F為輸入圖像,B為采用的結(jié)構(gòu)元素,G為輸出圖像，即從原圖中減去形態(tài)學(xué)開操作后所得的圖像,選取合適的結(jié)構(gòu)元素進(jìn)行灰度開運(yùn)算可以使圖像中僅剩下對背景的估計(jì); 也可將小于結(jié)構(gòu)元素的噪聲清除，從原圖中減去對背景的估計(jì)就可提取出目標(biāo)。形態(tài)學(xué)頂帽變換定義如下

G=F-(F°B)

(1)

基于手掌圖像紋路易受光照、手掌顏色不均等影響，本文運(yùn)用了頂帽變換法，首先對圖1(a)的灰度圖像進(jìn)行閉運(yùn)算處理如圖2(a)，再用該圖減去圖1(a)之后得出圖2(b)結(jié)果。

圖2 頂帽變換法處理手掌圖像

1.1.2 手掌圖像去噪

對頂帽變換后的圖像進(jìn)行二值化處理,得到圖3(a)，為了減少干擾，對該圖像使用Bwareaopen算法慮除較小的連通域，得到圖3(b)。

圖3 手掌圖像去噪結(jié)果

2 圖像分割

為了精準(zhǔn)匹配手掌紋理特征,首先要把各手指有效區(qū)域和掌紋區(qū)域從整個(gè)手掌中分離出來,本文提取食指、中指、無名指、小指的指節(jié)紋和掌紋部分區(qū)域特征,拇指姿勢變化較大,因此本文不作為特征予以考慮。

2.1 手指圖像分割

2.1.1 指谷和指尖關(guān)鍵點(diǎn)確定

一種比較魯棒的指谷、指尖關(guān)鍵點(diǎn)提取技術(shù)是求解到腕部參考點(diǎn)的射線距離,腕部參考點(diǎn)本文定義為圖1(d) 圖像矩陣最后一行從左至右找到的第一個(gè)灰度值不是零的位置為參考點(diǎn)(圖4(a))。之后沿順時(shí)針方向跟蹤手掌輪廓上的點(diǎn)與該腕部參考點(diǎn)的距離,將得到5個(gè)峰值點(diǎn)與4個(gè)谷值點(diǎn),5個(gè)峰值對應(yīng)五指指尖關(guān)鍵點(diǎn),4個(gè)谷值對應(yīng)指谷關(guān)鍵點(diǎn),如圖4(b)所示，對應(yīng)點(diǎn)的跟蹤輪廓與參考點(diǎn)線段距離如圖5所示。

圖4 參考點(diǎn)位置及指尖和指谷位置

圖5 跟蹤輪廓與參考點(diǎn)線段距離

食指左邊緣和小拇指右邊緣終點(diǎn)的確定，可以用圖4(b)中按手掌輪廓順時(shí)針方向點(diǎn)h和點(diǎn)g之間的離點(diǎn)f距離最近的點(diǎn)作為食指左邊緣點(diǎn)，用順時(shí)針方向a點(diǎn)之后的離b點(diǎn)距離最近的點(diǎn)作為小拇指右邊緣終點(diǎn)。

2.1.2 分割手指并確定手指區(qū)域坐標(biāo)

連接各手指對應(yīng)邊緣的指谷或邊緣點(diǎn)，過對應(yīng)手指的指尖作指谷連線的平行線，過指谷或邊緣點(diǎn)作指谷連線的垂線，四條線圍成的區(qū)域?yàn)槭种竻^(qū)域(圖6(a))。手指紋理包含在對應(yīng)的矩形中(圖6(b))。

圖6 手指分割與區(qū)域匹配

2.2 分割手掌區(qū)域

找到大拇指與食指、食指與中指、中指與無名指之間的指谷坐標(biāo)，即圖5中h，f，d的位置。過點(diǎn)f和點(diǎn)d作一條直線L。過點(diǎn)h作L直線的平行線K，過點(diǎn)f作直線k的垂線X與直線k交于點(diǎn)r，過點(diǎn)d作直線k的垂線Y與直線k交于點(diǎn)t。直線L，K，X，Y圍成的矩形區(qū)域?yàn)榉指畛龅氖终茀^(qū)域。分割出的原圖(圖7(a))、灰度圖像(圖7(b))、最后處理分割圖像(圖7(c))。

圖7 手掌區(qū)域分割灰度化

3 特征匹配

采用計(jì)算序貫相似檢測算法(sequential similarity detection algorithm,SSDA)進(jìn)行圖像匹配，該算法直接計(jì)算一個(gè)給定區(qū)域內(nèi)像素誤差的累積即

(2)

計(jì)算出每個(gè)手指指節(jié)紋和對應(yīng)掌紋的SAD，假設(shè)有節(jié)指紋閾值δ、掌紋閾值β和判別函數(shù)K,如果指節(jié)紋SAD<δ或掌紋SAD<β把判別函數(shù)K置為1;如果計(jì)算出的指節(jié)紋SAD≥δ或掌紋SAD≥β，判別函數(shù)K置為0。對于整個(gè)手掌,只有四個(gè)手指 (不考慮大拇指)和手掌都接受時(shí)才認(rèn)為匹配成功,否則匹配失敗,即

(3)

當(dāng)add=5時(shí)接受,add<5時(shí)拒絕,其中i=0,1,2,3,4分別代表食指、中指、無名指、小指和手掌。

4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)庫由500個(gè)樣本構(gòu)成，采集了100個(gè)人的左手手掌，每個(gè)手掌5個(gè)樣本采集設(shè)備由攝像頭、光源和采集箱組成，采集箱和攝像頭距離保持不變，采集時(shí)手指五指張開。本文用相似檢測算法、投影匹配算法、角點(diǎn)檢測算法和特征曲線檢測算法分別提取出預(yù)處理時(shí)間、特征提取時(shí)間、特征匹配時(shí)間和等誤率與本文的方法在本文數(shù)據(jù)庫上進(jìn)行了性能比較。比較結(jié)果如表1。

表1 不同算法的性能比較

5 結(jié) 論

本文提出了基于頂帽變換的指節(jié)紋、掌紋識(shí)別改進(jìn)算法。手掌采集時(shí)不需要任何固定標(biāo)志，對攝像裝置的要求低，采集速度快。頂帽變換基本消除了手掌顏色不均的影響，大幅度減小了噪聲的干擾，圖像分割匹配提高了圖像匹配的速度和精度。實(shí)驗(yàn)結(jié)果表明，本文方法有較高的識(shí)別率，匹配過程快速高效。后續(xù)將結(jié)合指節(jié)紋、掌紋和指紋特點(diǎn)組成一套完整、高效、精確的基于手掌圖像的身份識(shí)別系統(tǒng)。