《基于掌纹和指横纹特征融合的身份识别方法.pdf》由会员分享，可在线阅读，更多相关《基于掌纹和指横纹特征融合的身份识别方法.pdf（8页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104112125A43申请公布日20141022CN104112125A21申请号201410360564622申请日20140724G06K9/00200601G06K9/46200601G06F21/3220130171申请人大连大学地址116622辽宁省大连市金州新区学府大街10号72发明人张建新张强刘建洋74专利代理机构大连创达专利代理事务所普通合伙21237代理人赵英杰54发明名称基于掌纹和指横纹特征融合的身份识别方法57摘要本发明涉及一种基于掌纹和指横纹特征融合的身份识别方法，其基于掌纹和指横纹小波变换特征匹配在分数层的融合来实现。首先，采用小波变换对掌纹和指横。
2、纹图像进行特征提取，构造出掌纹和指横纹小波能量特征；其次，对两类小波能量特征实施相应的特征匹配操作，获取各自初始匹配分值并进行归一化处理；最后，使用乘法规则对掌纹和指横纹归一化匹配分值进行融合，获得最终的融合分值。基于融合分值的统计结果可计算出发明方法的识别精度，从而验证方法的有效性。51INTCL权利要求书1页说明书5页附图1页19中华人民共和国国家知识产权局12发明专利申请权利要求书1页说明书5页附图1页10申请公布号CN104112125ACN104112125A1/1页21基于掌纹和指横纹特征融合的身份识别方法，其特征在于其分为掌纹、指横纹特征提取和分数层特征融合与匹配两个阶段；即在已。
3、获得预处理好的掌纹和指横纹图像的前提下，从掌纹和指横纹图像中分别提取出掌纹小波能量特征和指横纹小波能量特征，分别计算两者在分数层的得分，再将掌纹和指横纹得分按照分数相乘融合方法构成新的得分，使用新的得分进行识别个体；具体过程如下1首先对掌纹和指横纹图像进行小波分解；分解得到掌纹、指横纹的低频子图和细节子图，去除掌纹、指横纹的低频子图；2将掌纹、指横纹的每个细节子图划分互不相交的子块；3分别计算掌纹和指横纹的每个细节子图中子块相应的能量，并分别构造掌纹和指横纹特征向量；4分别计算掌纹和指横纹匹配得分，分为真匹配得分和假匹配得分，并进行归一化方法处理；5按照乘法融合方法，在分数层融合掌纹和指横纹得。
4、分。2根据权利要1所述的基于掌纹和指横纹特征融合的身份识别方法，其特征在在于所述步骤1中的小波分解为3级，掌纹特征提取中小波分解使用HAAR小波，指横纹特征提取中小波分解使用DB1小波。根据权利要1所述的基于掌纹和指横纹特征融合的身份识别方法，其特征在在于所述步骤2中的掌纹细节子图分行方向为12块，列方向块数根据细节子图大小计算；指横纹细节子图行方向为3块，列方向块数根据细节子图大小计算。3根据权利要1所述的基于掌纹和指横纹特征融合的身份识别方法，其特征在在于所述步骤2中细节子图分为水水平方向细节子图、竖直方向细节子图和对角线方向细节子图。4根据权利要1所述的基于掌纹和指横纹特征融合的身份识别。
5、方法，其特征在在于所述步骤2中纹和指横纹匹配得分采用绝对距离计算法。5根据权利要1所述的基于掌纹和指横纹特征融合的身份识别方法，其特征在在于所述步骤2中归一化方法为ZSCORE归一化方法，其公式为SCOREXMEANX/STDX；其中，X为一类生物特征间的匹配分值向量，MEANX和STDX为掌纹或指横纹真假匹配的平均值和标准差。6根据权利要1所述的基于掌纹和指横纹特征融合的身份识别方法，其特征在在于所述步骤5中乘法融合方法的公式为SCOREFIPII1,2,M；其中，FI为指横纹第I个得分，PI为掌纹第I个得分；M为得分总数目。权利要求书CN104112125A1/5页3基于掌纹和指横纹特征融。
6、合的身份识别方法技术领域0001本发明涉及一种人体生物特征识别技术的新方法，特别涉及一种基于掌纹和指横纹小波能量特征的融合识别新方法，属于计算机应用领域。背景技术0002人体生物特征识别技术是计算机与光学、声学和生物统计学原理等高科技手段相结合的一种个人身份认证技术，其利用人体固有生物特征进行个人身份鉴定。目前，人体身份认证技术主要采用人脸、指纹、虹膜、掌纹和指横纹等特征。此类特征具有诸多优点1普遍性，任何人都具有此类特征；2唯一性，在每个人都拥有同一特征的前提下，任意两个人拥有的特征各不相同；3永久性，此类特征具有永久不变性，即不会随时间或者环境因素的变化而发生大的变化；4安全性，此类特征不。
7、易被伪造或模仿；5可采集性，特征可以方便的被采集；6可接受性，所使用的特征应该比较容易被用户接受；7性能要求，使用此类特征设计的人体身份认证系统能获得较高的识别精度。0003掌纹识别是近年来新兴的一种身份识别方法，是对现有生物特征识别技术的重要补充。和其他生物特征相比，掌纹具有以下特点1跟人脸相比，掌纹采集过程易于控制，避免了人脸表情变化造成的精度丧失问题；2跟指纹、指横纹相比，掌纹含有更为丰富的可区分性特征信息，且更容易被用户接受；3跟虹膜相比，掌纹采集设备廉价，使用方便。掌纹具有主线、褶皱和乳突纹等丰富纹线特征，乳突纹较细、较弱，可从高分辨率、高质量的图像中提取，而主线、褶皱较粗、较强，能。
8、够从低分辨率、有噪声的图像中提取。此外，掌纹中的主线和褶皱特征还具有不同的方向信息。0004同样，指横纹识别方法作为另一种生物特征识别技术的重要补充，它同样具有一定的自身优势。指横纹与人脸、虹膜相比，具有采集过程简单、采集设备廉价、用户接受程度高等特点；指横纹与指纹、掌纹相比，指横纹处于手指弯折处，一般不易出现因老茧、污垢造成的精度损失，而且由于长期的手指弯曲运动使其特征更为明显，为识别提供了更大方便；最后，指横纹分布在不同手指上，更不易被窃取仿造。0005小波变换作为一种多分辨率分析工具，能够从不同尺度、不同位置和不同方向分析处理图像纹理信息。对于较粗或较强的特征，可以采用大尺度、低分辨率下。
9、的小波变换；对于较细或较弱的特征，可以采用小尺度、高分辨率的小波变换。用小波变换分别进行掌纹和指横纹识别是一种公知的方法。但利用单一的掌纹和指横纹识别技术进行生物特征识别，其识别精度仍有提升的空间。此外，掌纹和指横纹特征同处于手掌之中，在特征采集时利用它同一设备可以同时采集，对其进行融合识别非常便利。发明内容0006本发明目的是提供一种基于掌纹和指横纹小波能量特征融合进行身份认证的方法，其可提高单一基于小波变换的掌纹识别或者基于小波变换的指横纹识别的识别精度。0007为了实现上述目的，本发明所采用的技术方案为一种基于小波变换在分数层融合说明书CN104112125A2/5页4掌纹和指横纹特征的。
10、方法；其分为掌纹、指横纹特征提取和分数层特征融合与匹配两个阶段；即在已获得预处理好的掌纹和指横纹图像的前提下，从掌纹和指横纹图像中分别提取出掌纹小波能量特征和指横纹小波能量特征，分别计算两者在分数层的得分，再将掌纹和指横纹得分按照分数相乘融合方法构成新的得分，使用新的得分进行识别个体；具体过程如下0008第一步掌纹和指横纹小波能量特征提取；00091首先对掌纹和指横纹图像进行小波分解；0010分解得到掌纹、指横纹的低频子图和细节子图，去除掌纹、指横纹的低频子图；00112将每个细节子图划分互不相交的子块；00123分别计算掌纹和指横纹的每个细节子图中子块相应的能量，并分别构造掌纹和指横纹特征向。
11、量；0013第二步特征匹配与分数层融合；00141分别计算掌纹和指横纹匹配得分，分为真匹配得分和假匹配得分，并进行归一化方法处理；00152按照乘法融合方法，在分数层融合掌纹和指横纹得分。0016所述小波分解为3级，掌纹特征提取中小波分解使用HAAR小波，指横纹特征提取中小波分解使用DB1小波。0017所述掌纹细节子图分行方向为12块，列方向块数根据细节子图大小计算；指横纹细节子图行方向为3块，列方向块数根据细节子图大小计算。0018所述细节子图分为水水平方向细节子图、竖直方向细节子图和对角线方向细节子图。0019所述纹和指横纹匹配得分采用绝对距离计算法。0020所述归一化方法为ZSCORE归。
12、一化方法，其公式为0021SCOREXMEANX/STDX；0022其中，X为一类生物特征间的匹配分值向量，MEANX和STDX为掌纹或指横纹真假匹配的平均值和标准差。0023所述乘法融合方法的公式为0024SCOREFIPII1,2,M；0025其中，FI为指横纹第I个得分，PI为掌纹第I个得分；M为得分总数目。0026本发明与现有技术相比，具有以下优点00271一般基于小波的掌纹识别方法和指横纹识别方法都仅利用单一掌纹特征或指横纹特征，受掌纹和指横纹各自固有的特征信息丰富程度的限制，单一方法取得的识别精度仍有较大提升空间；本发明同时采集掌纹和指横纹特征，充分利用了各自的特征信息，利用小波变。
13、换方法提取特征后在分数层融合，识别精度有较大提高。00282生物特征融合的方法有许多种，比如人脸和掌纹特征的融合，人脸与指纹特征的融合等等。但此类都需要多套设备分别采集不同人体特征。本发明使用的特征同处于手掌之中，采集时仅需一套设备即可完成特征的采集，具有一定的便利性，降低了经济成本。00293本发明进一步将小波细节子图分块，分别计算掌纹块和指横纹块的能量，充分利用了掌纹和指横纹图像的局部信息。说明书CN104112125A3/5页50030本发明提出的基于小波变换的掌纹和指横纹融合的新方法，具有一定的有效性，其精度比单一方法都有所提高。基于小波变换的掌纹识别其等错误率为246，而基于小波变换。
14、的指横纹识别其等错误率为562，利用本发明的新方法得到的等错误率为175。0031本发明将结合实施例参照附图进行详细说明，以便对本发明的目的，特征和有点进行深入的理解。附图说明0032图1本发明新方法流程框图；0033图2本发明方法与单一方法的结果比较。具体实施方式0034如附图1所示，本发明是基于小波变换的掌纹和指横纹分数层融合的方法，其分为两个阶段掌纹、指横纹小波能量特征提取阶段和分数层特征融合。为了验证本发明的有效性，我们使用香港理工大学的掌纹和指横纹数据库。0035具体实施过程如下0036第一步基于小波变换的掌纹、指横纹小波能量特征提取；00371基于小波变换的掌纹能量特征计算0038。
15、小波变换以不同尺度分别在水平方向、垂直方向和对角线方向上分解掌纹图像，在不同级和不同方向上得到的小波系数构成了掌纹特征。设HI，VI和DI分别是第I级小波在水平方向、竖直方向和对角线方向上分解掌纹图像的得到的细节图像。为了描述掌纹纹理的基本构件，如掌纹线和乳突纹等，我们分别计算HI，VI和DI方向的小波能量，以此表示各个基本构件在不同方向上的强度信息。掌纹图像在HI，VI和DI方向上的第I级小波能量计算公式如下0039004000410042小波在分解非振荡信号时，小波系数会随分解的级数的不断增加而成增加趋势；但在分解振荡信号时，振荡信号在较高分解级的小波系数反而远远小于与其振荡频率对应的小波。
16、分解级的小波系数。由于掌纹线不具有震荡性，所以掌纹线的小波能量主要集中在大尺度的小波分解细节图像中。而乳突纹具有一定的震荡性，故乳突纹的小波能量主要集中在较小尺度的小波细节图像中。基于此，由不同小波分解级上的小波能量以此构成的特征向量可以表示为说明书CN104112125A4/5页600430044其中，M是小波分解的总级数。00452基于小波变换的指横纹能量特征计算0046指横纹小波能量特征计算过程与掌纹小波能量计算过程相似，此处不再赘述。00473掌纹和指横纹特征的构造0048从公式4可以看出，用小波能量构造的该特征向量优点是分别描述了掌纹和指横纹图像的全局信息，缺点是并没有描述图像中的局。
17、部信息。因此，该特征作为一种全局特征并不能很好的刻画图像的纹理特征。为了能更好的描述图像纹理的局部特征，我们都将小波分解获取的每一幅细节图像分别划分为S1S2个互不相交的块，指横纹图像其分块方法与掌纹图像类似。然后，分别计算每块的小波能量。最后，用计算这些不相交块得到的能量重新构造如下掌纹纹理特征矢量00490050其中，M是设定的小波最大分解级数，是将第I级小波分解HI，VI和DI3个方向得到的细节图等分为S1S2个互不相交的块后计算出来的每一块的能量。0051最后，对按照下式进行归一化处理005200530054归一化后得到的V对应于掌纹和指横纹被称为小波能量特征。第I级小波能量特征可以按。
18、照如下定义00550056将上式带入式7可得0057VV1,V2,VM90058第I级小波能量特征是由第I级小波分解系数计算出来的，它反映了图像在尺度2I上，不同位置和不同方向上的纹理特性。而上式是由各级小波能量特征依次组合而成，则反映了图像在不同尺度、不同位置和不同方向上的纹理特性。综上，本发明的掌纹小波能量特征提取过程可归结为如下4步0059A把经过预处理的掌纹图像子图进行3级分解；0060B把每个掌纹细节子图等分为S1S2个互不相交的子块，掌纹每个细节子图行方向块数为12块，列方向的块数根据掌纹细节子图大小计算；说明书CN104112125A5/5页70061C对每个掌纹细节子图计算其中。
19、每一子块的能量，并依此构造成一个矢量；0062D归一化矢量，得到用于匹配的掌纹小波能量特征。0063本发明的中指横纹小波能量特征提取过程与掌纹小波能量特征提取过程相类似，不同之处在于B步骤中指横纹图像行方向的块数为3块，列方向的块数根据指横纹细节子图大小计算。0064第二步特征匹配与分数层融合0065经过掌纹和指横纹特征提取后，使用如下绝对值距离公式计算两张掌纹或者指横纹的相似度00660067其中，DIJ表示第I和J个特征向量的相似度。然后进行真匹配和假匹配计算得分，来自于同一个人的同源掌纹或者指横纹的得分小于异源掌纹或者指横纹的得分。最后，对掌纹和指横纹得分进行归一化处理，归一化公式如下0。
20、0680069其中，MEANX和STDX为掌纹或指横纹真假匹配的平均值和标准差。使用新的得分根据乘法融合公式融合掌纹和指横纹得分，其公式如下0070SCOREFIPII1,2,M120071其中，FI为指横纹第I个得分，PI为掌纹第I个得分；M为得分总数目。使用新的得分SCORE计算识别精度，此处使用等错误率来衡量识别精度，本发明新方法与单一掌纹或指横纹识别精度比较如附图2所示。0072总之，上述说明和阐述的是一种基于小波变换的掌纹和指横纹分数层融合新方法，它适用于掌纹和指横纹特征在分数层的融合，以提高基于小波变换的单一掌纹特征或指横纹特征提取的识别精度。本发明的最佳实例已经被阐述，在此实例中，本发明获得的等错误率为175，较单一掌纹特征等错误率246和单一指横纹特征等错误率562有较大提升。说明书CN104112125A1/1页8图1图2说明书附图CN104112125A。