一种带有掌纹识别系统的保险柜的控制方法 【技术领域】
本发明涉及保险柜技术领域， 尤其涉及一种带有掌纹识别系统的保险柜的控制方法。 背景技术 一直以来人们都在试图寻找一种更为 “保险” 的保险柜， 因为传统的保险柜系统是 用钥匙和密码来开启的， 而钥匙和密码是保险柜最不 “保险” 的根源。要想克服钥匙和密码 给传统保险柜带来的这些致命弊端， 在计算机与模式识别技术飞速发展的今天， 用人类自 身携带的生物特征来开启保险柜系统是国内外专家与学者们正在寻找的一种方法。
生物识别技术又称生物认证技术， 指计算机利用人体固有的生理特征或行为特征 进行个人身份鉴定的技术。目前生物识别技术主要分为以下 8 类 ： 指纹识别， 人脸识别， 视 网膜识别， 虹膜识别， 语音识别、 签字识别和开锁动力学识别等。 生物识别具有识别精度高、 便于携带、 不会丢失、 不会遗忘、 不会被借用或盗用等特点， 是本世纪最有发展潜力的高新 技术之一。 在常用的生物识别技术中， 掌纹识别是近期才发展起来的一种新技术， 与其它生 物特征相比， 掌纹具有以下优点 ： (1) 具有终生不变性和唯一性 ； (2) 定位具有旋转不变性 和唯一性 ； (3) 掌纹中的细节特征和各类线特征都具有唯一性和稳定性 ； (4) 掌纹的主要特 征明显， 不易被噪声干扰 ； (5) 不易仿造 ； (6) 由于对掌纹图像的分辨率可降低要求， 采集设 备成本较低 ； (7) 掌纹识别的被测试者可接受程度较高 ； (8) 识别系统的硬件标准化程度也 高。
但是至今没有出现有关掌纹识别技术在保险柜中的应用方法。
发明内容 本发明所要解决的技术问题是针对现有技术的不足， 提供一种带有掌纹识别系统 的保险柜的控制方法。
本发明采用如下技术方案 ：
一种带有掌纹识别系统的保险柜的控制方法， 包括以下步骤 ：
A1 ： 采集掌纹图像 ；
A2 ： 对所述掌纹图像进行预处理 ；
A3 ： 提取预处理后的掌纹图像的特征向量 ；
A4 ： 根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配， 匹配一致则 发出开锁指令， 匹配不一致则不发出所述开锁指令， 无论匹配是否一致， 都将开锁时间和用 户信息存储在所述存储模块。
所述的控制方法， 所述步骤 A2 对所述掌纹图像进行的预处理包括 ： 掌纹图像的二 值化、 提取边缘线、 确定角点、 定位与归一化。
所述的控制方法， 所述步骤 A3 采用小波变换来提取掌纹图像特征向量。
所述的控制方法， 采用 Daubechies 和 Symlet 正交小波变换来提取掌纹图像特征
向量。 所述的控制方法， 所述掌纹图像特征提取模块对一幅掌纹图像进行 4 级的二维小 波分解。
本发明的掌纹识别保险柜， 是用人体自身携带的生物特征掌纹开启， 跟其他的生 物特征相比掌纹具有终生不变性和唯一性， 定位具有旋转不变性， 掌纹的细节特征和各类 线特征具有稳定性， 掌纹的主要特征明显， 不易被噪声干扰。与其它形式的保险柜相比， 不 会出现钥匙丢失和被仿造的问题 ； 也不会出现忘记密码和密码被盗的问题， 安全性高。 核心 设备成本较低， 易于大批量生产。
附图说明
图 1 二维小波分解示意图 ；
图 2 掌纹图像的二维小波分解， 其中 a 为掌纹， b 为 a 掌纹的小波分解图 ；
图 3 掌纹小波特征向量曲线图， 其中 a 为手掌 1、 2、 3 的掌纹样本， b 为掌纹 1 的特 征向量曲线， c 为掌纹 2 的特征向量曲线， d 为掌纹 3 的特征向量曲线 ；
图 4 本发明掌纹保险柜的控制结构示意图 ；
图 5 为掌纹图像预处理方法示意图。具体实施方式
以下结合附图和具体实施例， 对本发明进行详细说明。
实施例 1
本实施例提供一种掌纹保险柜的控制结构， 如图 4 所示， 包括掌纹图像采集模块 10、 掌纹图像预处理模块 11、 掌纹图像特征提取模块 12、 图像匹配模块 13、 存储模块 16 和开 锁控制模块 15 ； 所述掌纹图像采集模块 10 用于采集用户的掌纹图像， 所述用户的掌纹图像 在所述掌纹图像预处理模块 11 进行预处理， 在所述掌纹图像特征提取模块 12 提取预处理 后的掌纹图像的特征向量， 根据提取到的特征向量与存储模块中预存储的授权用户掌纹特 征向量匹配， 匹配一致则向所述开锁控制模块发出开锁指令， 匹配不一致则不发出所述开 锁指令， 无论匹配是否一致， 都将开锁时间和用户信息存储在所述存储模块 ；
例如， 掌纹图像采集模块可以使用 CCD 摄像机， 通过 PC 机或 DSP 对采集后的图像 进行预处理， 进行特征向量提取， 进而和存储在存储模块 16 中的掌纹进行匹配。
存储在存储模块 16 中的授权用户的掌纹由管理员通过系统预先建立， 为授权用 户， 授权用户也可以随时进行添加、 修改。
本实施例的掌纹保险柜的控制机理具体步骤如下 ：
A1 ： 采集掌纹图像 ；
A2 ： 对所述掌纹图像进行预处理 ； 所述预处理的方法具体为 ：
(1) 掌纹图像的二值化 ： 对分割后的掌纹图像进行二值化， 即手掌部分取 0( 黑 )， 背景部分取 1( 白 )， 可以得到完整的手掌型， 如图 5-1 所示。
(2) 边缘提取 ： 对二值化后的掌纹图像边缘提取就是掏空手掌内部的点。其基本 思想为 ： 若图像中一点为黑， 且它的 8 个邻域点都是黑色时， 说明该点是内部点， 将该点删 除 ( 置为白色 )， 否则， 则为边界点， 记录其位置。 对图像中所有像素点执行该操作便可完成掌纹图像边界的提取 ( 图 5-2 所示 )。
(3) 确定角点 ： 用曲线拟合的方法在掌纹图像的边缘线上找出感兴趣的角点 A、 B、 C( 图 5-3)， 其中 A 为无名指与小指之间的交点， B 为食指与中指之间的交点， C 是 A、 B 连线 的中点。
(4) 定位与归一化 ： 将 C 点移动到掌纹图像的中点 O， 使之与 O 点重合， O 通常设为 坐标原点 ( 如图 7-3 所示 )， 以 O 为中心旋转掌纹图像， 将 AB 转到竖直方向 ( 竖直方向设置 为 y 轴 )， 通过移动和旋转之后， 所使用的掌纹图像 AB 连线均以竖直方向定位于同一位置 上， 在手掌中心同一区域处切割出一块大小均为 128×128 的子图像来代表整个掌纹图像 ( 如图 5-4)， 即可完成掌纹图像的定位归一化。
A3 ： 提取预处理后的掌纹图像的特征向量 ；
A4 ： 根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配， 匹配一致则 发出开锁指令， 匹配不一致则不发出所述开锁指令， 无论匹配是否一致， 都将开锁时间和用 户信息存储在所述存储模块。
优选的， 所述步骤 A2 对所述掌纹图像进行二值化、 定位、 归一化、 滤波、 细化处理。
优选的， 所述步骤 A3 采用小波变换来提取掌纹图像特征向量。
优选的， 采用 Daubechies 和 Symlet 正交小波变换来提取掌纹图像特征向量。
优选的， 所述掌纹图像特征提取模块对一幅掌纹图像进行 4 级的二维小波分解。
实施例 2
本实施例提供一种掌纹图像预处理方法。
预处理是掌纹自动识别过程的第一步， 它的好坏直接影响着掌纹识别的效果。常 用的预处理方法主要包括掌纹图像的二值化、 定位 ( 旋转和平移 )、 归一化、 滤波、 细化等。
用一个基于 CCD 的设备进行掌纹图像采集。为了减少采集过程中由于平移、 旋 转、 扭曲引起的误差与失真， 在采集掌纹图像时， 应尽量使手掌的每根手指张开， 这样可 以提取手指边缘， 并用其来对准和归一化掌纹图像。经过处理后， 每个掌纹块大小均为 128×128( 如图 2(a) 所示 )， 并且偏移和旋转已基本上被消除， 从而有利于掌纹图像的识 别。
实施例 3
本实施例提供一种掌纹图像特征提取方法——小波特征提取。
掌纹图像是一种近似的纹理性周期图案， 其中主线是手掌上最深最粗的几条线， 大多数手掌上有三条主线 ； 除了主线外， 手掌上还有很多褶线， 一般来说这些线要比主线 细、 浅， 并且很不规则。 掌纹图像中不同区域的纹线方向和空间频率代表着掌纹图像内在的 特征。 针对掌纹图像的特点， 我们经过多种特征提取的方法实验， 发现因为小波变换具有多 通道、 多分辨率的功能， 因此用一种基于小波变换的方法提取掌纹图像的特征， 进而进行识 别不仅节省了图像预处理的时间， 而且识别的鲁棒性也较高。
小波变换理论是 Fourier 分析理论的进一步发展， 是人们对于信号特性深层次认 识的需要。小波变换提供了一个可调的时间 - 频率窗， 伸缩的结果就是我们可以在不同的 分辨率下分解信号， 平移的结果就是我们可以把这组信号作为窗， 来观察自己关心的部分。
定义 ： 如果函数 Ψ(x) 满足允许小波条件，那么 Ψ(x) 叫做可允许小波 ( 积分小波， 基小波 )。其中 由基小波生成的小波函数系可表示为 ：是 Ψ(t) 的傅立叶变换。
则函数 f(x) 的小波变换定义为小波函数 Ψ(t) 时间窗的中心与窗宽分别用 t* 与 ΔΨ 给出， 频率窗分别由 ω*和给出， 设定
则小波的时间窗为 [b+at*-aΔΨ， b+at*+aΔΨ]， 时间窗的宽度为 2aΔΨ， 频率窗为 频率窗的宽度为 由此可见， 对于检测信号的高频部分， 时间窗会变窄， 频率窗会变宽 ； 对于检测信号的低频部分， 时间窗会变宽， 频率窗会变窄。因此， 通 过小波变换可以很好地反映信号的时 - 频局部特性。将信号在这个函数系上做分解， 就得 到了连续小波变换的定义。
本实施例采用小波变换来提取掌纹图像特征， 对原始定位与归一化后的掌纹图像 进行 J 阶的二维双正交小波分解， 每级的分解如图 1 所示。
如图 2 所示， 对一幅掌纹图像进行 4 级的二维小波分解。图 2 的分解结果中 ： 右 上角第 1 块是 cH1， 右下角第 1 块是 cD1， 左下角第 1 块是 cV1， 其他依次类推。至此， 得到了 3J+1 幅子图像。 掌纹图像中的纹线方向和空间频率这两种信息可以很好地被提取到小波分 解后的 3J 幅子图像 {cHk， cVk， cDk} 中去。对每一幅子图像求归一化的 2 范数， 从而得到长 度为 3J 的特征向量
其中k ＝ 1，…， J求得的长度为 3J 的特征向量可以理解为掌纹图像在不同比例因子 (2k) 条件下和 不同方向 (H， V， D) 上的大概能量分布。取 3 个不同手掌， 每个手掌采集了 12 个图像样本， 样本间存在一定的位移和角度差异， 图 3 是每个手掌 12 个样本中的一个。对这 36 个样本， 求得 3 个长度为 12 的特征向量， 并把同一手掌的 12 个掌纹样本的特征向量在一幅图中绘
制成曲线图， 如图 3 所示。从图 3 中可以看出， 特征向量存在着明显的差异性 ( 不同手掌 ) 和足够的稳定性 ( 相同手掌的不同样本 )。
所用的掌纹图像数据库一共有 20 个不同手掌的掌纹， 每个手掌有 12 个样本， 一 共是 240 个掌纹图像。掌纹图像是大小为 128×128 像素的 256 级灰度图像， 由掌纹图像 采集模块采集得到。在不同的小波和分解级数 (J) 条件下进行了实验， 发现效果最好的是 Daubechies 和 Symlet 正交小波， 分解级数最好为 4 级。
实施例 4
本实施例提供项目测试， 项目测试中， 完成了 5 人 50 幅 ( 每人 10 幅 ) 掌纹图像的 学习训练， 然后输入 200 个图像进行识别， 库中 5 人每人 20 幅， 随机选取的陌生人掌纹图像 100 幅， 识别结果见表 1。
表 1 测试结果
由表 1 可见， 项目中采用的正交小波都得到了很高的分类正确率。在对错误分类 的样本进行分析时， 发现这些样本都是由于采集时手掌和采集器挤压过度， 造成纹线过于 变形或变密， 从而改变了掌纹纹线的方向和空间频率特征。
测试结果表明， 小波变换的识别算法是非常有效的。 同时， 本发明提出的无钥保险 柜系统， 若能进一步产品化， 完全可以作为当前保险柜系统的更新换代产品。
应当理解的是， 对本领域普通技术人员来说， 可以根据上述说明加以改进或变换， 而所有这些改进和变换都应属于本发明所附权利要求的保护范围。