基于不變矩的掌紋識別方法

李 萍，井榮枝，2，尚怡君

（1.鄭州大學 西亞斯國際學院，河南 鄭州 451150；2.華中科技大學 湖北 武漢 430074）

隨著人類社會安全形勢越來越嚴峻和人們安全意識的不斷增強，傳統的基于指紋的身份鑒別方式已不能滿足人們的需要。當前，掌紋識別在市場經濟高速發展的需求下日趨成熟。由于掌紋識別自身的獨特優勢，它已經成為生物識別中的重要內容，對其研究也必將推動其他生物識別技術的發展。掌紋識別[1]是近幾年發展起來的較新的生物特征識別技術，而且研究表明這種技術也可獲得很高的識別率。掌紋識別技術是通過圖像處理、模式識別等方法，利用人的掌紋特征來鑒別個人身份的技術。掌紋作為一種新的生物識別技術，掌紋識別需要具有較高的分辨能力以及較高的用戶接受度，而且掌紋所包含的信息遠比指紋提供的信息豐富，利用掌紋的線特征、點特征、紋理特征、幾何特征完全可以確定一個人的身份。因此，從理論上講掌紋識別應比指紋分析技術更可靠。同時，掌紋識別設備比較低廉。利用特定的識別算法，甚至可以利用低分辨率和低質量的掌紋圖像來完成識別過程。所以這一課題的研究不僅具有較高的學術價值、理論與實用意義，而且具有廣闊的應用前景和良好的潛在社會與經濟效益。早期的研究方法是對掌紋的幾何特征進行提取，即利用人的手形特征進行識別，但效果不是很令人滿意。近年來人們利用掌紋區域來進行識別。掌紋識別的研究涉及到眾多領域的理論和方法，該研究與其它眾多學科（如圖像處理和模糊模式識別）的發展緊密關聯，更多的數學和物理方法，如周期分析、多元回歸、逐步回歸、聚類分析、時間序列分析、判別分析、主成分分析、馬爾可夫鏈和模糊數學、圖論、混沌理論和云計算等也被用于掌紋識別中。相關方法已經被用于圖像處理中[2-3]，如目標定位和檢測等。在目標定位中，主要應用峰值點對應的位置信息來確定圖像的位置。不變矩作為圖像的特征被廣泛的應用于二維圖像識別領域當中[4-5]，本文將不變矩的非線性組合應用于掌紋識別，取得了較好的效果。

1 掌紋識別系統的基本框架

掌紋是指手指末端到手腕部分的手掌圖像，其很多特征可以用來進行身份識別：如主線、皺紋、細小的紋理、脊末梢、分叉點等。在線掌紋識別系統一般包括5個部分：

1）掌紋圖像采集。根據不同的采集設備（例如CCD照像機）采集掌紋區域圖像。首先利用某種設備（基于CCD的專門掌紋圖像采集儀、數碼照相機等）對掌紋圖像進行采集，然后掌紋圖像轉換成可以用計算機處理的矩陣數據，一般采集利用的都是二維灰度圖像；

2）圖像預處理。根據手形或者特定設備提供基準線對圖像預處理，提取掌紋感興趣（ROI）區域。預處理的目的是使所采集的掌紋圖像能方便的對圖像后續處理，如去除噪聲使圖像更清晰，對輸入測量引起或其他因素所造成的退化現象進行復原，并對圖像進行歸一化處理，如圖1所示。最常見的掌紋預處理就是切割ROI區域[6-7]。

圖1 掌紋圖像預處理Fig.1 The palmprint image pretreatment

2 掌紋圖像特征提取

不變矩作為圖像的特征被廣泛的應用于二維圖像識別領域當中。有學者由二維圖像的幾何矩的非線性組合推導出了7項具有旋轉、平移和尺度不變性的不變矩，且證明了這些矩保留了數據的分類信息。具體算法描述如下：

p+q級改進矩定義為：

它表示是沿著閉合輪廓的線積分。在實際應用中我們采用離散化公式來近似計算：

3）提取特征。根據不同的方法從掌紋ROI區域中提取不同的特征，例如紋理特征、方向特征、頻域特征等。經過了預處理的信息仍然比較龐大和冗余，需要對預處理過的信息進行數據特征提取與選擇，并且建立相應的數據庫用于存儲處理過的特征信息；

4）匹特匹配，對應不同方法使用某種特定距離進行特征匹配；

5）特征分類，根據預先設置的閾值進行分類與識別。

一般情況下，第4）步和第5）步可以簡單概括為：計算待識別掌紋的特征信息與數據庫中所有特征信息的距離，距離最小的掌紋類別即為識別的結果。

以上提到的掌紋識別的基本框架見圖2。在實際應用在線識別系統中還需要其他部分，如個人注冊、圖像質量檢測等。

圖2 掌紋識別系統框架Fig.2 The system framework of the Palmprint identification

中心距μpq定義為：

為了得到尺度不變性μpq正則化為：

這些不變矩的組成的向量對于平移、旋轉和比例尺變化具有保持不變的性質，因此可以做為掌紋圖像的分類特征，對掌紋進行識別。

3 實驗結果

采用PolyU掌紋庫，該數據庫中共包括600副掌紋圖像，其中有100個不同人的掌紋，每個人的掌紋有6副圖像分別在2個時期采集的，采集時間間隔為2個月。在實驗中，每個人第一時期采集的三副圖像作為訓練集，第二時間采集的三副圖像作為測試集。

實驗環境為個人PC機，處理器為Intel Pentium 4 processor（2.66 GHz），內存為4.0 G，Windows XP操作系統，使用Matlab 7.0。

首先，進行預處理。將所有的掌紋圖像歸一化為128×128的子圖像，然后計算每幅圖像的不變矩，利用這個矩組作為掌紋識別特征，然后利用簡單的K-最近鄰（K=1）分類器進行識別，并與已有的掌紋識別方法Palm－Code[8]、Fusion－Code[9]和Competitive－Code[10]進行了比較。表1給出了掌紋識別結果。

表1 各種掌紋識別方法比較Tab.1 The comparison results of the various palmprint identification methods

由表1可以看出，不同方向對Palm Code算法的識別結果影響比較大；在Fusion Code中，規則化Hamming距離被用于計算測試圖像與訓練圖像間的相似度，由于該方法把4個方向（0°、45°、90°、135°）進行了融合，所以誤差（EER）得到了提高；在Competitive Code中，由于提取的特征是在6個方向（0°、30°、60°、90°、120°、150°）的Gabor濾波器競爭編碼的結果，所以實驗結果有了較大提高；而不變矩方法考慮了掌紋的不同角度，對旋轉、平移和尺度具有不變性，所以得到的識別率最高。

4 結 論

本文利用非線性不變矩組成的向量進行掌紋識別，實驗結果表明該方法的識別率最高。不足之處是不變矩對圖象的描述太過籠統，沒有反映掌紋的細節，而且它的計算量較大。所以，我們下一步的工作是挖掘簡單魯棒的掌紋分類特征。

[1]Connie T，Teoh A，Goh M，et al.Palmprint recognition with PCA and ICA[C].Image and Vision Computing New Zealand 2003，Palmerston North，New Zealand，November，2003：232－227.

[2]ITO K，Aoki T，Nakajima H.A palmprint recognition algorithm using phase-only correlation[J].IEICE Transaction on Fundamentals，2008（4）：1023－1030.

[3]Hennings P，Kumar B，Savvides M.Palmprint classification using multiple advanced correlation filters and palm-specific segmentation[J].IEEE Trans.on Information Forensics and Security，2007，2（3）：613－622.

[4]Tomasi C，Manduchi R.Bilateral filtering for gray and color images[C].Proceedings of the Sixth International Conference on Computer Vision，1998：4－7.

[5]MK Hu.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory，1962（8）：179－187.

[6]Zhang D，Kong A，You J，et al.Online palmprint identification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（9）：1041－1050.

[7]Kong A，Zhang D.Competitive coding scheme for palmprint verification[C].Proc.Of the 17th ICPR，2004（1）：520－523.

[8]Kong A，Zhang D，Kamel M.Palmprint identification using feature-level fusion[J].Pattern Recognition，2006，39（3）：478－487.