王 曦，蓋紹彥，達(dá)飛鵬

融合幾何信息和方向信息的三維掌紋識別方法

王 曦1,2，蓋紹彥1,2，達(dá)飛鵬1,2

(1. 東南大學(xué)自動化學(xué)院，江蘇 南京 210096；2. 東南大學(xué)復(fù)雜工程系統(tǒng)測量與控制教育部重點實驗室，江蘇 南京 210096)

針對三維掌紋特征表示的魯棒性和準(zhǔn)確性問題，提出一種融合曲面的幾何特征和方向特征的三維掌紋識別方法?；诂F(xiàn)有的曲面類型編碼提取掌紋幾何特征的基礎(chǔ)上，提出使用基于形狀指數(shù)的編碼來共同表達(dá)三維掌紋的幾何特征，從而有效減少由閾值所引起的錯誤編碼帶來的準(zhǔn)確性上的影響。此外，提出一種多尺度的改進競爭編碼來表達(dá)掌紋的方向特征。在決策層，使用基于多字典的協(xié)同表示框架融合上述幾何特征和方向特征以完成掌紋識別。在公開的三維掌紋數(shù)據(jù)集上的大量實驗表明，所提方法可以在保持較低計算復(fù)雜度的同時實現(xiàn)最佳的識別精度。

三維掌紋識別；生物特征；形狀指數(shù)編碼；改進競爭編碼；協(xié)同表示

近年來，隨著社會科技的發(fā)展，在出入控制、機場和車站安檢、銀行和刑偵等應(yīng)用場景中，基于生物特征的身份識別由于其用戶友好性以及可靠性越來越受到人們的關(guān)注[1]。掌紋包含豐富的可用于識別內(nèi)在特征(主線、脊線、皺紋等)。這些特征被認(rèn)為是永久性的，對個體而言是唯一的。此外，掌紋識別由于其在采集時對手掌的約束性較低而容易被用戶接受。所以，掌紋是一種可以為身份識別提供高精度和用戶友好性的生物特征，研究掌紋識別是一項既有極大的社會應(yīng)用價值又在理論上有巨大挖掘潛力的工作。

目前已有的掌紋識別技術(shù)主要包括2D和3D掌紋識別。ZHANG等[2]首先提出了用Gabor濾波器在2D掌紋圖像上提取方向特征并進行編碼，然后用漢明距離進行識別。此后，許多基于方向特征的方法被提出，如競爭編碼[3]，RLOC[4]，LLDP[5]，BOCV[6]，DOC[7]，DRCC[8]，F(xiàn)DR[9]等。另外，常見的基于圖像的機器學(xué)習(xí)方法也可以應(yīng)用于掌紋識別，如深度學(xué)習(xí)方法[10]。2D掌紋圖像識別具有明顯的優(yōu)點和缺點。優(yōu)點是2D圖像易于采集且成本較低，實時性較高；缺點是容易受光照、角度變化以及掌紋表面臟污的影響且易被偽造的假手掌欺騙。90年代起，隨著3D測量技術(shù)的發(fā)展，基于3D掌紋的識別技術(shù)快速發(fā)展起來。ZHANG等[11]搭建了一套基于結(jié)構(gòu)光技術(shù)的3D測量系統(tǒng)用于采集3D掌紋圖像。

3D掌紋的曲率信息描述了一個曲面固有的內(nèi)在屬性，不受旋轉(zhuǎn)和光照變化的影響，具有很好的穩(wěn)定性和魯棒性。在此前的3D掌紋識別中，很多學(xué)者使用的是BESL和JAIN[12]提出的根據(jù)高斯曲率和均值曲率的符號對3D掌紋中的點進行分類的方法，該3D特征被稱為曲面類型(surface type，ST)。如，文獻(xiàn)[11]提出了一種通過對曲面曲率和ST特征進行二進制編碼的3D掌紋識別方法；文獻(xiàn)[13]通過拼接分塊ST直方圖形成了基于向量的3D掌紋描述符，并將協(xié)同表示用于特征識別。BAI等[14]通過結(jié)合分塊ST直方圖描述符和主成分分析法完成掌紋識別。

ST是基于曲率的閾值來劃分的，由于掌紋是非剛性物體，在測量過程中很容易產(chǎn)生微小形變以及存在2張掌紋點云的配準(zhǔn)不完全準(zhǔn)確的情況，導(dǎo)致閾值附近的點存在著被誤判的可能性。為了降低僅基于ST表達(dá)幾何特征造成的誤判所帶來的識別率上的影響，本文并行使用一種根據(jù)形狀指數(shù)(shape index，SI)[15]的數(shù)值區(qū)間對3D掌紋中的點進行分類的方法，在此基礎(chǔ)上對每一個點進行編碼，稱為形狀指數(shù)編碼(shape index coding，SIC)。本文首次提出對SI進行離散地編碼并將其引入3D掌紋識別領(lǐng)域。實驗證明，同時使用ST和SIC可以進一步提高3D掌紋幾何特征表征的準(zhǔn)確性和魯棒性。此外，還提出一種多尺度的改進競爭編碼(multi-scale modified competitive coding，MSMCC)以提取掌紋的方向特征，并在決策級與上述MSMCC、SIC及ST特征進行加權(quán)融合。在選擇分類算法時，若采用一對一身份驗證的方法在樣本規(guī)模較大的情況下，計算速度難以令人滿意，為了解決一對多掌紋識別中的速度問題，現(xiàn)有研究表明基于協(xié)同表示(collaborative representation，CR)的模型可以同時實現(xiàn)較高的準(zhǔn)確性和計算效率[13,16-17]。因此，本文將基于多字典協(xié)同表示的分類模型用于3D掌紋識別。

1 相關(guān)工作

本文將先介紹現(xiàn)有的3D掌紋的ST和SI的計算方法，以及2D掌紋中經(jīng)典的方向特征——競爭編碼。

1.1 3D掌紋的曲面類型和形狀指數(shù)

3D掌紋表示一塊凹凸不平的手掌感興趣區(qū)域(region of interest，RoI)，而3D掌紋RoI圖像表達(dá)了一個手掌曲面的深度信息，圖1展示了3D掌紋RoI圖像，其中上面2張來自同一個手掌，下面2張來自另一個手掌。

對于3D掌紋中的任意一點，文獻(xiàn)[12]提供一種根據(jù)事先定義的一組窗口模板來計算均值曲率(mean curvature，MC)和高斯曲率(Gaussian curvature，GC)的方法。假設(shè)一個曲面片定義為(,,(,))，點(,)處的MC和GC分別為

其中，f,f,f,f和f分別為(,)的一階、二階和混合偏導(dǎo)，其可由一組窗口模板[12]計算得到。

1.1.1 曲面類型

為了更形象地描述3D曲面的特性，文獻(xiàn)[12]將一個曲面分成8種基本類型，并稱之為ST。這些曲面類型是根據(jù)()與零值的大小關(guān)系定義的。并指出一種特殊的ST是當(dāng)=0并且>0時的情況，雖然該類型實際中并不存在，但是為了完整性仍然被使用。因此，3D掌紋中的任意一點的ST可以被表示為9種曲面類型之一，見表1。

表1 曲面類型

當(dāng)根據(jù)和的符號對一個點分類時，需要判斷()等于零的情況，但由于和恰好等于零的情況極少，因此定義一對零值附近的對稱區(qū)間[–ε,+ε]和[–ε,+ε]，當(dāng)()的值落在區(qū)間內(nèi)，就認(rèn)為()等于零，具體做法參考文獻(xiàn)[12]。

1.1.2 形狀指數(shù)

為了直觀地描述一個3D形狀，文獻(xiàn)[15]提出了SI，其比曲面曲率更加直觀地表達(dá)了局部形狀的特性，并且具有尺度不變性。假設(shè)為曲面上的一點，對于上任意一條過點的曲線C，設(shè)曲線C在點處曲率值為k，其中1為曲率值k中的最大值，2為最小值，1和2又稱為曲面中點處的主曲率。1和2的計算如下

得到1和2后，點處的形狀指數(shù)S為

其中，S為曲面上點處的幾何信息。由此可知，形狀指數(shù)的取值都在[–1,1]之間。因此，根據(jù)形狀指數(shù)取值的區(qū)間[15]，可以將其劃分為9種局部形狀，見表2。

表2 形狀指數(shù)

1.2 競爭編碼

在掌紋識別的研究中，方向特征被認(rèn)為是低分辨率2D掌紋識別中十分有效的特征，用一組方向不同的Gabor濾波器與2D掌紋圖像做卷積運算，并在每一點比較卷積運算的響應(yīng)結(jié)果，根據(jù)“winner-take-all”原則[3]將響應(yīng)最大的方向認(rèn)為是該點所在紋線的方向，這種方法稱為競爭編碼。

Gabor濾波器是提取方向特征信息十分有效的工具。一般使用Gabor濾波器的實部來提取2D掌紋圖像的方向特征，即

其中，(,)為掌紋圖像；*為卷積運算；(,)為卷積響應(yīng)值最大的濾波器的方向下標(biāo)。

2 形狀指數(shù)編碼與改進競爭編碼

本節(jié)提出了一種對SI按照區(qū)間編碼的特征——SIC，并分析了SIC與ST的互補性。此外，對傳統(tǒng)的競爭編碼進行了改進，提出一種多尺度的改進競爭編碼——MSMCC。

2.1 形狀指數(shù)編碼

ST用于表征3D曲面的幾何特征。根據(jù)文獻(xiàn)[12]的做法，在判斷和的符號時，定義了一個零值附近的區(qū)間。在接觸式的3D掌紋采集過程中，被測手掌要求張開平放在采集平臺上，因此采集到的3D掌紋中的大多數(shù)點的曲率值都比較小。換言之，一個3D掌紋中大量的點會聚集在上文所定義的區(qū)間附近。無論是區(qū)間選擇的合理性還是3D掌紋測量過程中的微小形變和噪聲，均會對判斷和的符號造成影響，從而產(chǎn)生一定數(shù)量的點的誤判。此外，在實際中并未有曲面對應(yīng)著=0且>0的情況。因此，單純地使用ST表達(dá)3D曲面的幾何特征必然存在著穩(wěn)定性和準(zhǔn)確性上的問題。本文提出使用SIC來共同表征3D掌紋的幾何特征。盡管SI早已被提出，并且已廣泛的應(yīng)用于3D生物特征識別中(例如楊冰等[18]將SI轉(zhuǎn)化為灰度，然后從中再提取局部紋理特征用以掌紋識別)，但本文首次提出對SI進行離散地編碼并引入三維掌紋識別。SIC根據(jù)9種不同的局部形狀對3D表面的幾何信息進行編碼，且9種形狀均具有實際意義，見表3。

圖2中，左圖和右圖是不同時間采集自同一只手掌的2個3D掌紋樣本?，F(xiàn)在分別在左、右手掌上的同一點執(zhí)行ST和SIC編碼。根據(jù)文獻(xiàn)[12]描述的區(qū)間，左、右掌紋的MC符號維持一致，但是由于形變和噪聲，此時右圖掌紋的GC符號發(fā)生改變，并以紅色字體標(biāo)記，因此，左、右掌紋在該點處的ST編碼不一致。但是，根據(jù)表3中SIC的編碼規(guī)則，此時左、右掌紋在該點處的SIC是一致的。這表明SIC和ST本質(zhì)上是2種不同的三維特征表達(dá)，且具有一定的互補性，使用SIC共同表征3D掌紋的幾何特征可以提高算法的穩(wěn)定性和準(zhǔn)確性。

2.2 多尺度的改進競爭編碼

SIC與ST均可對3D掌紋幾何特征進行描述，為了進一步提升算法的性能，本文提出的MSMCC可從均值曲率灰度圖(mean curvature image，MCI)中提取掌紋的方向特征。傳統(tǒng)的競爭編碼僅使用單個尺度的Gabor濾波器來提取每個特定角度上的局部方向信息。實際上，不同尺度的Gabor濾波器可以感知不同的方向信息，即不同尺度的Gabor濾波器對應(yīng)于不同的感受野。感受野越小，所提取的方向信息就越局部化。此外，MCI圖中具有大量的灰度平坦區(qū)域。在這些平坦區(qū)域使用傳統(tǒng)競爭編碼，因受形變等因素影響產(chǎn)生編碼錯誤的可能性相對較大。受此啟發(fā)，本文使用MSMCC來更好地表征掌紋的方向特征。

圖2 SICs與STs互補性分析

在獲得8個方向的多尺度卷積響應(yīng)之后，通過響應(yīng)的極差來篩選出灰度平坦區(qū)域中的點，并將其的競爭編碼置為零。本文通過實驗發(fā)現(xiàn)，位于平坦區(qū)域的點上的競爭編碼更容易受到形變和噪聲等因素的影響。經(jīng)過改進，MSMCC的編碼規(guī)則為

其中，max為8個方向的多尺度響應(yīng)中的最大響應(yīng)，min為最小響應(yīng)；為控制篩選位于平坦區(qū)域點的值；(,)為式(7)所示的競爭編碼。

因此，MSMCC將MCI的每個點都編碼為從0~8的數(shù)字。根據(jù)經(jīng)驗，將設(shè)置為3，將Gabor濾波器的參數(shù)設(shè)置為5.617 9，并且由于參數(shù)與尺度直接相關(guān)，本文將4個不同尺度的Gabor濾波器的分別設(shè)置為0.176 7，0.125 0，0.091 6和0.062 5，且對應(yīng)的權(quán)重分別為0.2，0.2，0.3及0.3。

圖3第2行顯示，當(dāng)=3.0時，圖中白色的點即為篩選出的位于平坦區(qū)域的點，圖3第1行為其對應(yīng)的MCI圖?？梢园l(fā)現(xiàn)，在MCI中的主線及其他較明顯的皺線區(qū)域附近，圖3第2行中則均顯示為黑色的點，這與人們的認(rèn)知相符：有明顯方向特征的區(qū)域應(yīng)該使用Gabor濾波器來表示方向。

圖3 平坦區(qū)域點(T=3.0)

圖4展示了提取MSMCC的實際過程。對于MCI的每一點，使用8組包含4個尺度的Gabor濾波器與之卷積，然后依次將4個尺度的卷積響應(yīng)的加權(quán)值作為各個方向的最終響應(yīng)。最后利用極差篩選出“平坦區(qū)域”的點，以此形成多尺度的改進競爭編碼。

圖4 MSMCC特征提取示例

3 特征處理與分類方法

3.1 基于分塊的直方圖統(tǒng)計

本文通過SIC和ST編碼特征來表征3D掌紋的幾何特征，并提取了MSMCC來表征3D掌紋的方向特征。因此，對于一張3D掌紋RoI圖像，可以獲得對應(yīng)于SIC，ST和MSMCC特征的3個編碼特征圖。為了抵抗形變并降低計算復(fù)雜度，本文使用基于分塊直方圖統(tǒng)計的方法。

3D掌紋RoI圖像的大小為128×128像素，以不重疊的方式逐行進行分塊。根據(jù)實驗，當(dāng)每個小塊的大小為12×12像素時，其效果最佳。對每一個小塊分別進行直方圖統(tǒng)計后，將其連成一個更大的直方圖特征。因此，對于一張3D掌紋RoI圖像，可以得到對應(yīng)于SIC，ST和MSMCC的3個降維后的直方圖特征向量。

3.2 基于多字典的協(xié)同表示的掌紋分類

根據(jù)文獻(xiàn)[13]，本文使用基于協(xié)同表示的分類模型。根據(jù)4.1節(jié)的方法，從訓(xùn)練集里的樣本中分別提取出SIC，ST和MSMCC直方圖特征，在算法描述過程中3種特征向量均簡記為.j，其中為第類3D掌紋RoI圖像，為該類中第個掌紋樣本。將訓(xùn)練集中所有樣本提取出的.j按照如下順序排列構(gòu)建訓(xùn)練字典

其中，為掌紋樣本的類的數(shù)量；n為訓(xùn)練集中第類樣本的數(shù)量；為特征向量.j的維數(shù)；為訓(xùn)練樣本的總數(shù)。

本文利用SIC，ST和MSMCC特征構(gòu)造了3個獨立的字典，分別記錄為1，2，3。

給定一張測試3D掌紋RoI圖像，參考3.1節(jié)的做法分別提取SIC，ST和MSMCC直方圖特征向量，并記為1，2，3。并根據(jù)基于協(xié)同表示的分類模型，分別計算1(2,3)用字典1(2，3)來表示權(quán)重向量1(2,3)，即

然后，分別根據(jù)權(quán)重向量1,2,3計算出該測試樣本與訓(xùn)練集中的每類掌紋之間的匹配誤差，其可用歐式距離表示，即

其中，δ()為一個從衍生的新向量，即將中與類別相關(guān)聯(lián)的項保留不變，其余項均置零；()為向量與第類之間的匹配誤差。

最后，從獨立的字典1，2，3分別獲得3個獨立的匹配誤差，其分別代表該測試掌紋基于SIC，ST和MSMCC特征的分類結(jié)果。常用的融合方法包括特征級融合和決策級融合，經(jīng)過實驗，本文選擇在決策級對上述3個匹配誤差進行加權(quán)融合，如式(13)所示。其中，w為權(quán)重，=1對應(yīng)SIC，=2對應(yīng)ST，=3對應(yīng)MSMCC，相應(yīng)地，本文中1為0.30，2和3均為0.35；r()為該測試掌紋和第類之間的最終匹配誤差，誤差最小的類別可為識別結(jié)果，即

最后，本文的算法流程圖如圖5所示。首先，在離線訓(xùn)練部分，可從訓(xùn)練集中的所有掌紋樣本中提取SIC，ST和MSMCC特征，并形成SIC，ST和MSMCC圖。然后，使用基于分塊直方圖統(tǒng)計的方法進一步提取降維的直方圖特征。之后，對于SIC，ST和MSMCC，分別將所有訓(xùn)練樣本的直方圖特征按列依次連接以形成訓(xùn)練字典A1，A2，A3。在線測試部分，對于3D測試掌紋，首先按照相同的步驟提取對應(yīng)于SIC，ST和MSMCC 的直方圖特征y1, y2, y3；然后根據(jù)y1 (y2, y3)計算由字典A1(A2，A3)表示的權(quán)重向量x1 (x2, x3)；接下來，根據(jù)權(quán)重向量x1, x2, x3，計算出該測試掌紋與訓(xùn)練集中的每一類掌紋之間的匹配誤差r1, r2, r3。最后，在決策層進行加權(quán)融合，得出分類結(jié)果。

4 實驗與分析

4.1 數(shù)據(jù)集及關(guān)鍵參數(shù)說明

所有實驗均在公開的香港理工大學(xué)3D掌紋庫(Hong Kong Polytechnic University 3D palmprint database)上進行的。該數(shù)據(jù)集包含了8 000張采集自400個(來自200名志愿者)不同手掌的3D掌紋樣本。志愿者包括136名男性和64名女性，年齡10~55歲。每個手掌都分2個階段采集，時間跨度為1個月，每個階段采集10個樣本。經(jīng)過處理數(shù)據(jù)集中每一個3D掌紋RoI圖像的大小為128×128像素。實驗平臺的硬件規(guī)格為Intel(R) Core(TM) i7-4770 (3.40 GHz)的CPU，以及8 GB的ARM，軟件平臺為 Visual Studio 2015。

4.2 掌紋識別實驗

為了證明本文方法的有效性，將本文方法與MCI_GCI_ST[11]，MCI_Comp[19]，SI_Comp_LTP[18]，ST_CR[13]，ST_PCA[14]，CBR[20]，PDCST[21]先進的3D掌紋識別方法進行了比較。實驗中分別選擇每個類別的樣本數(shù)=1 (2，3，4，10)作為訓(xùn)練集，其余的樣本被選作測試集。在每類樣本數(shù)=1 (2，3，4)時，隨機選擇訓(xùn)練樣本并執(zhí)行10次以計算平均準(zhǔn)確率。在=10時，選擇第1階段采集的10張樣本作為訓(xùn)練集，第2階段采集的10張樣本則為測試集。實驗結(jié)果見表4?？梢钥闯觯疚姆椒ㄏ啾扔谄渌?種方法具有更突出的性能。特別地，當(dāng)選擇1，2，3，4，10個掌紋樣本作為訓(xùn)練樣本時，本文方法在Rank-1準(zhǔn)確率上，相比其他7種方法的平均準(zhǔn)確率可以分別提高約7.64%，3.38%，1.99%，0.98%，3.15%。

表4 不同掌紋識別方法Rank-1準(zhǔn)確率比較(%)

此外，還將式(11)計算出的對應(yīng)SIC，ST和MSMCC權(quán)重向量拼接作為一個新的特征向量，然后再使用支持向量機(support vector machine，SVM)作為分類器，選擇C類支持向量分類機，核函數(shù)使用高斯徑向基核函數(shù)，=0.1，=0.1，記為CR_SVM_RBF；此外，將式(10)中的正則化項，即第二項替換成L1-范數(shù)，并使用Homotopy[22]方法求解近似解，記為CR_L1_Homotopy。使用第1階段采集的10張樣本作為訓(xùn)練集，將第2階段采集的10張樣本作為測試集，將2種對比方法和本文方法的Rank-1識別率及平均完成一次識別所需時間(包含模型訓(xùn)練和分類識別)列為表5。從表5中可見，本文方法比CR_SVM_RBF和CR_L1_Homotopy方法的計算時間要縮短很多，識別率比CR_SVM_RBF方法高2.33%，僅比CR_L1_Homotopy低0.04%，因此本文方法整體上優(yōu)于其他2種方法。

表5 基于協(xié)同表示的方法比較

4.3 SIC和MSMCC有效性實驗

經(jīng)過一系列比較實驗證明了本文提出的SIC和MSMCC特征的有效性。以下所有實驗均使用與本文方法相同的處理過程(圖5)：即使用基于分塊直方圖統(tǒng)計和基于協(xié)同表示的分類算法。實驗結(jié)果如圖6所示。

圖6(a)比較了當(dāng)訓(xùn)練樣本數(shù)分別為1 (2，3，4，10)時，單獨使用ST或SIC以及將ST和SIC在決策層融合(圖中記為ST+SIC)的Rank-1準(zhǔn)確率。圖6(b)比較了MSMCC以及其他4種先進的基于方向特征的方法的Rank-1準(zhǔn)確率，其包括CompCode[3]，LLDP[5]，DOC[7]，BOCV[6]。圖6(c)比較了單獨使用ST，SIC，MSMCC以及在決策層將三者融合(記為Proposed)的Rank-1準(zhǔn)確率。

圖6(a)顯示，在將SIC與ST融合后，算法的準(zhǔn)確性有了明顯提高，表明本文利用SIC共同表征3D掌紋幾何特征的方法是有效的。由于形變等其他因素的影響，基于閾值的ST特征很容易造成閾值附近點的誤判。融合SIC之后，可在決策級上降低此類誤判對識別結(jié)果的影響，因此可以有效提高算法的魯棒性和準(zhǔn)確性。

圖6 SIC及MSMCC有效性實驗

圖6(b)表明，MSMCC的性能優(yōu)于CompCode。此外，盡管MSMCC和LLDP，DOC，BOCV方法均利用了多個方向的信息，但MSMCC并非對多個方向進行編碼，而是維持了競爭編碼的“winner-take-all”原則：即在本文認(rèn)為的非平坦區(qū)域中，仍將具有最大響應(yīng)的Gabor濾波器的方向視為該點所在紋線的方向，但是對于由最大響應(yīng)和最小響應(yīng)篩選出的位于平坦區(qū)域的點將被統(tǒng)一地編碼。

圖6(c)表明，本文使用的幾何特征SIC和ST，在與方向特征MSMCC融合后，顯著地提高了算法的準(zhǔn)確性，說明本文對3種特征的融合是有意義的，其間存在著強大的互補性。

4.4 計算復(fù)雜度分析

為了評估本文算法的計算復(fù)雜度，將本文算法與其他幾種方法進行了特征提取時間和平均完成一次識別所需時間2方面的比較。實驗中，每種方法均使用第1階段采集的10張掌紋樣本作為訓(xùn)練集，第2階段采集的另外10張掌紋樣本作為測試集。每種方法均重復(fù)10次，取平均值作為結(jié)果，見表6。

表6 不同方法的計算時間對比(ms)

從表6可以看出，本文方法在特征提取上花費的時間比ST_CR和ST_PCA方法略長，但與CBR和PDCST方法相當(dāng)接近。原因是ST_CR和ST_PCA僅提取單個ST特征，但本文方法與CBR、PDCST方法還提取了方向特征。本文方法需要在提取MSMCC時使用Gabor濾波器對圖像進行卷積運算，特別是MSMCC在每個方向上都需要使用4個不同尺度的濾波器進行卷積，這是本文算法耗時的主要原因。

對于識別單張樣本所需的時間，本文方法僅比ST_CR和ST_PCA慢一些，但是快于其他方法，其原因是本文使用了基于協(xié)同表示的分類模型，該方法不需要與訓(xùn)練集中的所有訓(xùn)練樣本進行一對一的比較。因此，本文方法可以在達(dá)到最佳的識別精度的同時保持較低的時間復(fù)雜度，并且在大規(guī)模的掌紋識別應(yīng)用中這一優(yōu)勢尤為明顯。

5 結(jié) 論

本文提出了一種新型的3D掌紋識別方法，其具有出色的識別精度并可滿足實時性要求。在特征提取方面，本文分別從3D掌紋的幾何特征和MCI圖上的方向特征入手。對于ST，處于閾值附近的點由于形變和噪聲干擾而容易被誤判，因而導(dǎo)致幾何特征表達(dá)的不確定性和不穩(wěn)定性，為了解決該問題，提出了使用基于SI的編碼特征SIC來共同表征3D掌紋的幾何特征。另外，本文還提出MSMCC，并在基于多字典協(xié)同表示的分類模型的決策層將其與SIC和ST融合，有效提高了算法的準(zhǔn)確性和魯棒性。在公開的數(shù)據(jù)庫PolyU3D palmprint database上的大量實驗結(jié)果驗證了該方法在3D掌紋識別中的突出性能以及本文所提出的SIC和MSMCC特征在3D掌紋特征表示上的有效性。

[1] JAIN A K, ROSS A, PRABHAKAR S. An introduction to biometric recognition[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2004, 14(1): 4-20.

[2] ZHANG D, KONG W K, YOU J, et al. Online palmprint identification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(9): 1041-1050.

[3] KONG A W K, ZHANG D. Competitive coding scheme for palmprint verification[C]//Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. New York: IEEE Press, 2004: 520-523.

[4] JIA W, HUANG D S, ZHANG D. Palmprint verification based on robust line orientation code[J]. Pattern Recognition, 2008, 41(5): 1504-1513.

[5] LUO Y T, ZHAO L Y, ZHANG B, et al. Local line directional pattern for palmprint recognition[J]. Pattern Recognition, 2016, 50: 26-44.

[6] GUO Z H, ZHANG D, ZHANG L, et al. Palmprint verification using binary orientation co-occurrence vector[J]. Pattern Recognition Letters, 2009, 30(13): 1219-1227.

[7] FEI L K, XU Y, TANG W L, et al. Double-orientation code and nonlinear matching scheme for palmprint recognition[J]. Pattern Recognition, 2016, 49: 89-101.

[8] XU Y, FEI L K, WEN J, et al. Discriminative and robust competitive code for palmprint recognition[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 48(2): 232-241.

[9] 陳曉蔓, 賈偉, 李書杰, 等. 融合全局和局部方向特征的掌紋識別方法[J]. 圖學(xué)學(xué)報, 2019, 40(4): 671-680. CHEN X M, JIA W, LI S J, et al. Palmprint recognition method combining global and local direction features[J]. Journal of Graphics, 2019, 40(4): 671-680 (in Chinese).

[10] ZHAO S P, ZHANG B. Deep discriminative representation for generic palmprint recognition[J]. Pattern Recognition, 2020, 98: 107071.

[11] ZHANG D, LU G M, LI W, et al. Palmprint recognition using 3-D information[J]. IEEE Transactions on Systems Man and Cybernetics Part C (Applications and Reviews), 2009, 39(5): 505-519.

[12] BESL P J, JAIN R C. Segmentation through variable-order surface fitting[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1988, 10(2): 167-192.

[13] ZHANG L, SHEN Y, LI H Y, et al. 3D palmprint identification using block-wise features and collaborative representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(8): 1730-1736.

[14] BAI X F, GAO N, ZHANG Z H, et al. 3D palmprint identification combining blocked ST and PCA[J]. Pattern Recognition Letters, 2017, 100: 89-95.

[15] KOENDERINK J J, VAN DOORN A J. Surface shape and curvature scales[J]. Image and Vision Computing, 1992, 10(8): 557-564.

[16] ZHANG L, YANG M, FENG X. Sparse representation or collaborative representation: Which helps face recognition?[C]//2011 International Conference on Computer Vision. New York: IEEE Press, 2011: 471-478.

[17] YANG A Q, ZHANG L, LI L D, et al. Multi-dictionary based collaborative representation for 3D biometrics[M]//Intelligent Computing Theories and Application. Cham: Springer International Publishing, 2016: 39-48.

[18] 楊冰, 王小華, 楊鑫. 基于局部紋理特征的三維掌紋識別研究[J]. 光電工程, 2014, 41(12): 53-59. YANG B, WANG X H, YANG X. Research on 3D palmprint recognition based on local texture features[J]. Optoelectronic Engineering, 2014, 41(12): 53-59 (in Chinese).

[19] LI W, ZHANG D, ZHANG L, et al. 3-D palmprint recognition with joint line and orientation features[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2011, 41(2): 274-279.

[20] FEI L K, LU G M, JIA W, et al. Complete binary representation for 3-D palmprint recognition[J]. IEEE Transactions on Instrumentation and Measurement, 2018, 67(12): 2761-2771.

[21] FEI L K, ZHANG B, XU Y, et al. Precision direction and compact surface type representation for 3D palmprint identification[J]. Pattern Recognition, 2019, 87: 237-247.

[22] MALIOUTOV D M, CETIN M, WILLSKY A S. Homotopy continuation for sparse signal representation[C]//Proceedings. (ICASSP ’05). IEEE International Conference on Acoustics, Speech, and Signal Processing 2005. New York: IEEE Press, 2005: 733-736.

Fusion of geometric and orientation information for 3Dpalmprint recognition

WANG Xi1,2, GAI Shao-yan1,2, DA Fei-peng1,2

(1. School of Automation, Southeast University, Nanjing Jiangsu 210096, China; 2. Key Laboratory of Measurement and Control of Complex Engineering System, Ministry of Education, Southeast University, Nanjing Jiangsu 210096, China)

In order to improve the robustness and accuracy of the feature representation of 3D palmprint, a method integrating the geometric and directional features of curved surfaces was proposed. Based on the existing method using the surface type (ST)-based coding to extract geometric features of a 3D palm, we proposed to use the shape index (SI)-based coding to jointly characterize the geometric features of 3D palmprints. This operation can effectively reduce the impact on accuracy brought by the error encoding caused by the threshold. Moreover, we proposed a multi-scale modified competitive coding (MSMCC) to characterize the orientation features. The multi-dictionary collaborative-representation (CR)-based framework was employed to merge the geometric and orientation features into the decision level to perform identification. Extensive experiments on the public 3D palmprint database prove that the proposed method can achieve an optimal rank-1 recognition accuracy while maintaining a relatively low computational complexity.

3Dpalmprint recognition; biometrics; shape index coding; modified competitive coding; collaborative representation

TP 391

10.11996/JG.j.2095-302X.2020030390

A

2095-302X(2020)03-0390-09

2019-12-13；

2020-02-14

國家自然科學(xué)基金項目(51475092，61462072)；江蘇省自然科學(xué)基金項目(BK20181269)；深圳市知識創(chuàng)新計劃基礎(chǔ)研究項目(JCYJ2018030 6174455080)

王 曦(1994-)，男，江蘇鹽城人，碩士研究生。主要研究方向為掌紋識別、圖像處理。E-mail：929462704@qq.com

蓋紹彥(1979-)，男，江蘇南京人，副教授，博士，博士生導(dǎo)師。主要研究方向為三維測量、計算機視覺和圖像處理。E-mail：qxxymm@163.com