基于能量加權的子帶雜交＊法在掌紋識別中的應用

王莉莉,陳曉華,李春芝

(1.湖州市華數數字電視有限公司浙江湖州313000;2.湖州師范學院信息工程學院,浙江湖州313000)

基于能量加權的子帶雜交＊法在掌紋識別中的應用

王莉莉1,陳曉華2,李春芝2

(1.湖州市華數數字電視有限公司浙江湖州313000;2.湖州師范學院信息工程學院,浙江湖州313000)

在掌紋采集過程中,由于受光照噪聲的影響,以及手掌的弓形常常給掌紋采集帶來噪聲.基于此,提出小波變換子帶雜交的一種新穎掌紋識別算法.該算法綜合考慮小波同層各子帶及相鄰層子帶分解系數的噪聲特點,采用基于掌紋圖像空間能量加權,再由二維主元分析(Two-dimensional Princip le component Analysis,2DPCA)算法降維、去相關,最終由最小距離分類器完成掌紋識別.基于香港理工大學公布的PolyU掌紋數據庫的實驗,此算法正確識別率達到100%.同2DPCA算法相比,提出的算法不僅正確識別率較高,識別效率也較高.

小波變換;子帶雜交;能量加權;二維主元分析;掌紋識別

0 引言

掌紋識別同其他生物特征識別一樣,特征提取是掌紋識別的基礎.目前掌紋圖像的特征提取方法大致可以分為三種:第一種是幾何特征的提取,即掌紋線的提取[1～2];第二種是能量特征的提取[3],這種方法一般將圖像分塊,利用不同幅掌紋圖像對應塊的能量不同來識別;第三種是目前運用最廣泛的一種,即代數特征的提取,這種方法對圖像進行某種數學變換來求得掌紋圖像最佳特征空間,在新的空間域和不同的特征中可以更好地區分不同人的掌紋.不同的特征空間往往對應不同的識別效果,因此尋找到合適的特征空間是實現掌紋識別的關鍵[4].由于掌紋圖像面積大、線條多,使得數據量及特征空間大,而且其中各種紋線相互交錯,有著不同的方向、長度、寬度、凹凸對比度低以及掌紋的弓形結構特點,導致掌紋圖像容易受噪聲影響.基于此,本文提出基于能量加權的子帶雜交法的一種新穎掌紋識別算法.

該算法首先對預處理后的掌紋圖像進行小波變換,綜合考慮小波同層各子帶及相鄰層子帶分解系數的噪聲特點,采用基于掌紋圖像空間能量加權,對小波分解后每一層水平方向子帶、對角方向子帶、垂直方向子帶以及低頻子帶進行能量加權,從而實現小波變換的子帶雜交,再進行小波反變換,得到小波重構掌紋圖像.接著用二維主元分析方法(Two-Dimensional Princip le Component A nalysis,2DPCA)進行特征提取[5],最終用最小距離分類器實現識別.基于香港理工大學公布的PolyU掌紋數據庫的實驗結果表明,子帶雜交后的重構圖像含有更豐富的信息量,有效地保留了掌紋圖像中對識別有效的特征信息,并且解決了掌紋特征提取過程中手掌的非平面問題導致的偽主線噪聲信息以及光照噪聲.與2DPCA算法相比,本文算法是一種更加有效的掌紋識別算法.

1 掌紋識別算法

經過研究發現,掌紋部分細小的紋理會隨年齡或人身體健康狀況的變化發生一定的改變,但是掌紋上三條主線是不會變化的[6].與指紋相比,掌紋紋理表現更為復雜和多樣.

掌紋識別就是要判定兩幅圖像是否來自于同一個手掌[1～3].本文提出基于小波變換子帶雜交的一種新穎掌紋識別算法,首先將預處理后的掌紋圖像進行多尺度小波變換,綜合考慮同層各子帶及相鄰子帶分解系數的特征,根據掌紋噪聲特點,再進行小波系數能量加權,即子帶雜交,接著由小波反變換實現掌紋圖像重構.再由2DPCA算法進行特征提取,最終用最小距離分類器實現掌紋識別.

1.1 小波變換

圖像處理中最常用的是二進制小波變換.令尺度按2的冪級數進行離散化,即a=20,21,22,…,2j,j =1,2,…,N.冪指數j較小的變化會引起尺度非常大的變化,因此二進制小波變換在信號分析中具有高效的變焦作用.當f(x,y)表示一幅圖像信號時,其二進制小波變換相當于f(x,y)分別沿x方向和y方向經由不同的一維濾波器濾波,得到低頻和高頻子帶圖像.

圖像經過小波變換后,若在某一頻率和方向上具有較明顯的特征,與之對應的子帶圖像的輸出則具有較大的能量,因此圖像信息集中在相應的少數小波系數上.信號經過小波變換,只要使用尺度合適的小波函數,可以任意尺度觀察信號.同時,信號可分解成近似分量與細節分量.近似分量代表信號的低頻分量,細節分量代表信號的高頻分量.對于含噪信號,噪聲分量的主要能量一般集中在小波分解的細節分量中.

考慮到掌紋圖像不同區域內的紋理具有空間無序性,對應信號頻率的突變,本文采用小波變換后的子帶雜交完成掌紋圖像的重構.對二維的掌紋圖像進行小波變換,采用先對行信號,再對列信號進行變換.

1.2 子帶雜交——系數能量加權

綜合考慮小波同層各子帶及相鄰層子帶小波分解系數的噪聲特點,本文給出的子帶雜交具體步驟如圖1所示.假設Ai(i=1,2,…,M,M表示掌紋訓練樣本數)為任意掌紋圖像矩陣,其中掌紋圖像的低頻子帶A1(0)i表示小波分解后的第一層低頻子帶,進入下一層繼續進行小波分解,直到得到最頂層AN(0)i,N= 1,2,…,(N表示小波分解層數),其余三個不同方向的高頻子帶進入雜交處理單元,提取掌紋圖像中對識別有效的特征,最終由小波逆變換得到新的掌紋圖像Bi.

1.3 2DPCA用于掌紋識別

經過子帶雜交后,訓練樣本假設為Bi∈Rm×n,i=1,2,…,M.然后利用2DPCA去二階統計相關、降維,求得訓練樣本的投影特征.訓練樣本的協方差矩陣G定義為:

其中,G∈Rn×n.協方差矩陣的特征值與特征向量的求解為:

其中,Λ∈Rn×n表示特征值組成的對角陣,U為特征值對應的特征向量組成的正交陣.設協方差矩陣G的特征值表示為λi(i=1,2,…,n),對應的特征向量表示為則Λ=U=[u1,u2,…,un].選擇前d個較大特征值對應的特征向量ui(i=1,2,…,d)來構造特征子空間,其中計算訓練樣本Bi∈Rm×n的主元,即

其中,Yd∈Rn×d稱為訓練樣本的投影特征,表示為Yd=[y1,y2,…,yd].

假設任意測試樣本的投影特征表示為Yd′=[y1′,y2′,…,yd′],訓練樣本的投影特征表示為Yd= [y1,y2,…,yd],則其歐幾里德距離為:

利用最小距離分類器即可實現掌紋識別.

2 實驗結果與分析

2.1 實驗對象

本文采用香港理工大學公布的PolyU掌紋數據庫,從PolyU掌紋數據庫中選擇216人的掌紋,共4104幅掌紋圖像.每只掌紋有19幅圖像,部分掌紋的前10幅和后9幅分兩次拍攝,其余掌紋的前9幅和后10幅分兩次拍攝,時間相隔兩個月.分辨率為384×284,灰度級為256.這些圖像在拍攝時受到不同的光照影響.

2.2 實驗結果與分析

為驗證本文提出的算法性能,本文在Intel,Celeron M CPU,1.73GHz,MA TLAB6.5的環境下進行了掌紋識別實驗.實驗過程中,分別選取了不同時期內所拍攝的圖像以及同一時期內拍攝的圖像,訓練樣本數與測試樣本數均不同時,以及樣本次序列變化時,與2DPCA算法進行比較,實驗結果表明本文算法的正確識別率均要比2DPCA算法有效.

在掌紋識別中,本文首先將原始掌紋圖像進行預處理,切割對識別有用的掌紋信息,接著采用雙線性內插法把每幅圖像縮小為像素,然后用小波三層分解,由于對角方向子帶反映的是圖像整體結構信息,通常含有更多的噪聲,而水平方向子帶包含有部分對識別有效的紋理信息,隨著分解層數的增加,各個方向上子帶的分辨率下降,在小波分解的第一層的低頻子帶包含了很多光照信息,因此本文依次設定第三層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數進行雜交;設定第二層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數進行子帶雜交;設定第一層的低頻子帶、對角方向子帶、水平方向子帶、垂直方向子帶系數進行子帶雜交,最終實現掌紋圖像重構,得到穩定的掌紋主線.將掌紋矩陣再利用2DPCA進行降維、去相關和特征提取,最終利用最小距離分類器完成識別.當每只掌紋的4幅圖像用于訓練,其他15幅圖像用于測試,這樣訓練樣本與測試樣本分別為864、3240幅.再選取每只掌紋同一時期拍攝的9幅圖像進行實驗,每只掌紋的4幅圖像用于訓練,其他5幅用于測試,訓練樣本和測試樣本分別為864、1080幅.樣本次數均隨機產生,并與2DPCA算法比較,結果如表1所示.這里,正確識別率定義為正確識別的樣本數除以參加測試的樣本數.特征提取時間定義為訓練樣本特征提取的時間除以參加訓練的樣本數.模態一定義為同一時期內拍攝的每只掌紋9幅圖像,共1944幅掌紋圖像用于測試的實驗;模態二定義為兩個時期內(時間間隔為兩個月)拍攝的每只掌紋19幅圖像(其中前9幅和后10幅拍攝的時間間隔為兩個月),共4104幅掌紋圖像用于測試的實驗.

從表1可以看出,隨著樣本次序的變化,正確識別率也在變化.在模態一實驗時,隨著樣本次序的變化本文算法最高正確識別率可達100%.其中本文平均正確識別率比2DPCA算法平均正確識別率高出0.734個百分點.在模態二實驗時,當樣本次序隨機產生時,最高正確識別率為97.51%,并且本文算法平均正確識別率比2DPCA算法平均正確識別率高出3.74個百分點.這表明本文提出的算法在特征提取時具有一定的穩定性,對噪聲不敏感.同時在兩個模態上的實驗,本文算法的特征提取時間的平均值要低于2DPCA算法,這也充分表明該算法的高效性.

表1 基于PolyU掌紋數據庫的識別結果

3 總結與展望

在掌紋圖像獲取過程中,除了會受到光照不均勻等噪聲影響外,手掌本身的非平面也會導致獲取的掌紋圖像質量下降,產生偽主線、陰影等干擾信息,增加了掌紋特征提取的難度.基于此,本文提出基于能量加權的子帶雜交的掌紋識別算法,該算法充分考慮小波分解后同層及相鄰層系數噪聲特點,從而設定權值實現子帶雜交.實驗結果表明,該算法很好地解決了噪聲問題,提取了對噪聲不太敏感的特征信息,同時通過小波變換后的子帶雜交還簡化了運算.與2DPCA算法比較,本文算法優于2DPCA算法.

[1]CH ISTIAN R,RISH I K,RICHARD SM,et al.Op tical measurement methods to study dynamic behavio r in M EMS [J].Proceedingsof SPIE,2001,44(1):127～137.

[2]LU GM,ZHANGD,WANG K Q.Palmp rint recognition using eigenpalm s features[J].Pattern Recognition Letters, 2003,24(9～10):1473～1477.

[3]DAV ID Z,GUANGM L,ADAMSW K,et al.Online Palmp rint Identification System for Civil App lications[J].Comput Sci&Technol,2005,20(1):70～76.

[4]HAN C C,CHENG H L,L IN C L,et al.Personal authentication using palmp rint features[J].Pattern Recognition, 2003,36(2):371～381.

[5]甘俊英,李春芝.基于小波變換的二維獨立元分析及其在人臉識別中的應用[J].系統仿真學報,2007,17(3):612～615.

[6]ZHANGD,KONGW K,YOU J,et al.On-line palmp rint identification[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2003,25(9):1041～1050.

Abstract:A s palmp rint acquisition is often influenced by illum ination,and also the arch of the palmp rint resulted in much noise during the course of palmp rint image shot.This paper p resents palmp rint recognition based on energy weight w ith cross band fusion.Comp rehensively taking into account the noisy p ropertiesof various sub-bands in single wavelet level and decomposition coefficient of the adjacent sub -band,we emp loy themethod of energy weight based on palmp rint image,then emp loy Two-dimensional Principle component Analysis(2DPCA)for dimension reduction and de-correlated and finally, use a nearest neighbo r classifier fo r palmp rint recognition.Experimental results on Hong Kong Poly U palmp rint experiments show that correct recognition rate can reach 100%by themethod.A lso right recognition rate and recognition efficiency is higher than that by 2DPCA.

Key words:w avelet transfo rmation;cross band fusion;energy w eight;two-dimensional p rincip le component analysis;palmp rint recognition

Palmprint Recogn ition Based on Energy Weight with Cross Band Fusion

WANG Li-li1,L IChun-zhi2,CHEN Xiao-hua2
(1.Huashu Digital TV Co.,L td,Huzhou 313000,China; 2.Faculty of Information Engineering,Huzhou Teachers College,Huzhou 313000,China)

TP391

A

1009-1734(2010)02-0064-05

2010-02-20

浙江省自然科學基金項目(Y1100095);湖州市自然科學資金項目(2010YZ04).

王莉莉,助理工程師,從事數字電視前端的信號處理研究.