【摘要】采用多通濾波檢測器實現對掌紋圖像的特征信息采集，對采集的掌紋圖像進行不同層次的特征信息分割，通過深層特征提取方法實現對掌紋圖像特征融合處理。構建掌紋圖像的可控方向值二維融合調度模型，結合多維多視角圖像的分割先驗知識，建立掌紋圖像特征提取的可控方向值方圖;分析掌紋圖像的淺層特征信息和深層特征信息，對各層特征信息實現信息融合;利用可控方向值方圖融合算法實現對掌紋圖像特征提取和識別優(yōu)化。仿真結果表明，采用該方法進行掌紋圖像特征提取的精度較高、誤分率較小，提高了對掌紋圖像的識別和檢測能力。

【關鍵詞】可控方向值方圖;掌紋圖像;特征提取;圖像分割

〔中圖分類號〕TP391 〔文獻標識碼〕A 〔文章編號〕1674-3229（202004- 0024一05

0 引言

掌紋同指紋一樣，都是人體的重要生物特征。隨著圖像處理技術的發(fā)展，利用智能圖像特征分析方法提取人體的生物特征信息，完成圖像特征的提取和有效的數據融合，全面地將個體特征提供給識別系統(tǒng)，實現了特征提取技術在身份鑒定和辨識等領域的廣泛應用[1]。

對掌紋圖像特征提取的傳統(tǒng)方法主要有模糊信息處理法、基于支持向量機學習法以及基于圖像分割的特征提取方法等，構建掌紋圖像特征提取的圖模型結構，通過二維和三維空間分布式重構，實現掌紋圖像特征提取。傳統(tǒng)方法進行特征提取的適應度不高、精度不好[2-4]。

針對上述問題，本文引入可控方向值方圖算法提取掌紋圖像特征，在掌紋圖像特征（邊緣輪廓等）的分割處理上采用深層特征融合，結合多維多視角圖像分割構建可控方向值二維融合調度模型，從而實現掌紋圖像特征的提取。

1 掌紋圖像采集和分割預處理

1.1 掌紋圖像采集模型

結合小波多尺度分解[5]方法實現掌紋圖像中關鍵特征分解重構，并用矢量量化圖像的小波變換系統(tǒng)，采用圖像編碼技術，構建掌紋圖像的特征提取模型，如圖1所示。

圖1 掌紋圖像特征提取模型

根據圖1所示的掌紋圖像特征提取模型，采用特征圖的細化操作方法，獲得掌紋的紋理特征信息，根據掌紋圖像的紋理分布的字典集[6]，采用迭代深層特征信息融合的方法，得到掌紋圖像特征提取的紋理字典集為：

其中，f為掌紋圖像特征參數，△g為深層提取的特征信息參數，y（j）為構造特征圖信息融合參數模型，通過學習圖像塊的數據特征得到掌紋信息增強的尋優(yōu)模型描述為：

其中，pi（t）為掌紋的語義相關性融合特征函數，△p（t）為語義分割網絡分布的結構特性，采用多層網絡結構分析的方法，得到輸出的zi（t），zj（t）表示掌紋圖像的特征提取視覺分布點，采用空間區(qū)域映射和線性融合的方法，得到掌紋圖像的多層次紋理分布結果為：

其中，hn為提取掌紋的紋理稀疏特征分量，采集的掌紋圖像進行不同層次的特征信息分割，采用深層特征提取方法實現紋理信息衍射分析，提高掌紋圖像的識別能力[7]。

1.2 掌紋圖像分割

采用深層特征融合完成掌紋圖像的分割處理，采用邊緣輪廓提取方法構建掌紋圖像的超維信息特征分割模型，通過三維信息空間重構，進行掌紋圖像的信息增強處理[8]，提取掌紋圖像的稀疏性特征解集，通過模糊度尋優(yōu)，得到掌紋圖像的自相關特征匹配模型為：

其中，df為掌紋圖像的稀疏度融合特征分量，dfi，j為掌紋圖像的超分辨融合分布系數，以像素點j為中心進行掌紋圖像的小波多尺度融合和線性分割。初始化掌紋圖像的紋理特征點，對于每個掌紋圖像的特征點K的近鄰點[9]，得到掌紋紋理融合解析控制函數為：

其中，i為掌紋圖像的紋理信息分割的閾值，R為一個規(guī)范常量，sj為掌紋圖像的多維特征空間融合系數，gi為掌紋圖像邊緣特征子集，通過離散線性序列融合[10]，得到掌紋圖像深度學習的紋理映射特征分布函數為：

其中，k（a）為掌紋圖像特征提取的子空間映射函數，構建掌紋的模板匹配模型，根據線性分割結果，得到掌紋圖像的邊緣輪廓子集，得到子集信息分量為：

其中，гv為掌紋匹配模型參數，lx為紋理分布函數值，構建掌紋圖像的深層次紋理映射模型，提高掌紋圖像的信息融合和特征辨識能力[11]。

2 掌紋圖像特征提取優(yōu)化

2.1 掌紋圖像可控方向值二維融合

構建掌紋圖像的可控方向值二維融合調度模型，結合多維多視角圖像分割的先驗知識，建立掌紋圖像特征提取的可控方向值方圖，采用平衡語義標簽分布插值運算的方法[12]，得到掌紋圖像的可控方向值分布維數為m，在掌紋數據庫中采用線性匹配濾波檢測的方法，得到掌紋圖像的可控方向下的紋理分布序列為Aj（j=1，2，…，n），d=[d1d2…dn]表示掌紋圖像可控方向值的差異度，dj≥0，∑j=1dj=1，dj表示掌紋圖像可控的相似度分布距離，結合光流信息檢測的方法，得到掌紋分布序列模板匹配輸出為：

選擇直方圖模板匹配方法，得到掌紋的可控方向值方圖為：

p（v）=Jc+Ω（X）+U（9）

其中，Jc為可控方向值方圖的模糊度函數，Ω（X）是融合光流場檢測增強系數，采用空間區(qū)域模型動態(tài)切換的方法，提取掌紋圖像的相似度信息，得到T次迭代后的模糊度系數，得出掌紋圖像可控模糊參數為：

其中，J（x）為掌紋圖像的目標直方圖重建系數，I（x）為掌紋分布的光流場幅度圖。根據上述分析，構建掌紋圖像可控方向值二維融合模型[13]。

2.2 掌紋圖像特征提取輸出

采用相似性區(qū)域合并的方法，構建掌紋圖像可控方向的Kalman濾波分析模型，結合區(qū)域等效直方圖分析方法[14]，得到掌紋圖像的稀疏特征點用I（i，j）描述，得到目標模板I（k）（i，j）表示如下：

其中，k表示出區(qū)域等效直方圖的等效區(qū)域控制系數，采用鄰域加權控制的方法，得到掌紋圖像可控方向的分層特征提取輸出為：

M=I（K）（i，j）+d（z）+he（12）

其中，d（z）為掌紋圖像的灰度特征分布參數，he為當前處理區(qū)域函數，對每個窗口的直方圖實現加權控制，結合紋理穩(wěn)態(tài)識別的方法，得到模板匹配的差異度函數為：

其中，hk、gk代表圖像融合和濾波系數，若Xi為原始掌紋紋理線性分布序列，yi、zi分別為掌紋特征融合系數，其面積為Ai。根據匹配模板直方圖分析和線性跟蹤識別，得到掌紋圖像的特征提取輸出的迭代函數為：

zd=rw+（gy+ge）（14）

其中，rw為掌紋圖像特征提取的可控方向值方圖參數，gy，ge為掌紋圖像的淺層特征信息和深層特征信息，采用線性特征序列加權控制的方法[15]，實現掌紋圖像加權穩(wěn)定性控制，在最佳特征匹配下，得到掌紋圖像的邊緣特征提取輸出為：

Φ=zd+（λ+v）+cn（15）

其中，掌紋圖像的邊緣信息加權系數λ，v均為常數，且λ>0，cn為輸出的控制權系數，掌紋圖像的特征提取的分布面積為：

其中，I（s）為掌紋圖像的灰度直方圖，vr是符號函數，Gσ是誤差系數，綜上分析，采用可控方向值方圖融合算法，實現對掌紋圖像特征提取和識別優(yōu)化[16]。實現流程如圖2所示。

3 仿真測試

為了驗證本文方法提取掌紋特征的應用性能，采用Matlab進行掌紋特征提取算法的仿真測試分析，掌紋的采集樣本數為1200，掌紋紋理特征分布的訓練集規(guī)模為500，模板匹配系數為0.38，掌紋紋理的相似度系數為0.014，得到待識別的掌紋圖像如圖3所示。

圖3為待識別的掌紋圖像，得到的掌紋圖像紋理特征提取結果輸出如圖4所示。

圖2 掌紋圖像特征提取實現流程

圖3 待識別的掌紋圖像

圖4 紋理特征提取輸出結果

分析圖4可知，本文方法能有效實現掌紋圖像的紋理特征提取，特征聚類性較好。為進一步驗證本文方法的應用性能，對比本文方法和文獻[10]中改進的掌紋特征提取方法、文獻[11]中基于形態(tài)學濾波和鄰域搜索的掌紋提取方法，測試掌紋特征提取紋理分布誤差，結果如圖5所示。

圖5 誤差對比測試

分析上述仿真結果可知，用本文方法進行掌紋圖像特征提取和識別，誤差較小，且波動振蕩性低于傳統(tǒng)方法。

4 結語

為了利用特征分布的差異性實現人體生物特征編碼識別，有效提取方向特征的穩(wěn)定性信息，本文提出基于可控方向值方圖算法的掌紋圖像特征提取技術?；谛〔ㄗ儞Q的矢量量化方法，使其在圖像分析和處理等方面的優(yōu)異性得到體現。仿真測試結果表明，本文方法對掌紋圖像特征提取的聚類性較好，識別誤差較低。

[參考文獻]

[1]何正義，曾憲華，郭姜.一種集成卷積神經網絡和深信網的步態(tài)識別與模擬方法[J].山東大學學報（工學版），2018，48（3）：88-95.

[2]郭偉，邢宇哲，曲海成.高置信度互補學習的實時目標跟蹤[J].中國圖象圖形學報，2019，24（8）：1315-1326.

[3]吳明珠，陳瑛，李興民.基于Stein-Weiss函數的彩色掌紋特征識別算法[J].計算機應用研究，2020，37 （4）：322-326.

[4]WU Y，LIM J，YANGM H.Object tracking benchmark[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence，2015，37（9）：1834-1848.

[5]周友行，劉漢江，趙晗妘，等.基于像元相互關系的FCM聚類分割算法[J].儀器儀表學報，2019，40（9）：124-131.

[6]余祥偉，薛東劍，陳鳳嬌.融合多尺度邊緣檢測的小波貝葉斯SAR圖像濾波[J].遙感信息，2019，34（5）：120-125.

[7]姚啟芳.基于模糊聚類的養(yǎng)生旅游資源信息檢索方法[J].廊坊師范學院學報（自然科學版），2020，20（1）：81-85.

[8]竇方正，孫漢昌，孫顯，等.基于DBN與對象融合的遙感圖像變化檢測方法[J].計算機工程，2018，44 （4）：294-298+304.

[9]孫佳美，吳成茂.正則化圖形模糊聚類及魯棒分割算法[J].計算機工程與應用，2019，55（11）：179-186.

[10]滕少華，羅江，費倫科一種改進的掌紋線方向特征提取方法[J].江西師范大學學報（自然科學版），2018，42（3）：311-316.

[11]李海燕，潘培哲，唐一吟，等.基于形態(tài)學濾波和鄰域搜索的掌紋主線提取方法[J].計算機應用與軟件，2018，35（8）：254-259.

[12]蔡俊，趙超，沈曉波，等.基于卷積神經網絡的Canny算法優(yōu)化[J].廊坊師范學院學報（自然科學版），2019，19（4）：23-26+44.

[13]李俊杰，高翠芳，黃芳.墓于優(yōu)化采樣支持向量機的指紋二值化方法[J].東北師大學報（自然科學版），2018，50（4）：59-65.

[14]劉炳初，趙越嶺，王浩，等.智能考勤系統(tǒng)的設計[J].遼寧工業(yè)大學學報（自然科學版），2018，38（6）：364-367.

[15]劉珍珍，劉云清，顏飛.指紋圖像干濕度評價及亮度自動調節(jié)方法研究[J].長春理工大學學報（自然科學版），2018，41（5）：83-87.

[16]杜柏圣.卷積網絡的無監(jiān)督特征提取對人臉識別的研究[J].計算機技術與發(fā)展，2018，28（6）：17-20.

[收稿日期]2021-07-09

[基金項目]福建省教育廳中青年科技項目（JAT191931）

[作者簡介]胡海鋒（1972-），男，碩士，閩西職業(yè)技術學院信息與制造學院副教授，研究方向：計算機科學。