基于手指輪廓的手形識別算法

李洋，劉富，康冰，高雷

(1.長春汽車工業(yè)高等專科學(xué)校 電氣工程學(xué)院，吉林 長春 130011； 2. 吉林大學(xué) 通信工程學(xué)院，吉林 長春 130022)

基于手指輪廓的手形識別算法

李洋1,2，劉富2，康冰2，高雷2

(1.長春汽車工業(yè)高等專科學(xué)校 電氣工程學(xué)院，吉林 長春 130011； 2. 吉林大學(xué) 通信工程學(xué)院，吉林 長春 130022)

摘要：針對手形識別中手掌形狀穩(wěn)定性低的問題，設(shè)計(jì)了一種基于手指輪廓的手形識別算法。該算法首先從手形圖像中分離出五指，然后擬合手指輪廓定位手指中軸線，接著依據(jù)手指中軸線重合注冊手指和待識別手指，最后計(jì)算手指重合面積比。與已有的基于輪廓的手形識別算法相比，該算法的識別率高達(dá)99.890%，說明了提出的算法充分利用了手指輪廓的穩(wěn)定性，規(guī)避了指根處輪廓的不穩(wěn)定性。

關(guān)鍵詞：手形識別；手形定位；輪廓擬合；輪廓重疊；面積重合比

中文引用格式：李洋，劉富，康冰，等.基于手指輪廓的手形識別算法[J]. 智能系統(tǒng)學(xué)報(bào)， 2016, 11(1): 99-103.

英文引用格式：LI Yang, LIU Fu, KANG Bing, et al. Hand shape recognition algorithm based on finger contour[J]. CAAI Transactions on Intelligent Systems, 2016, 11(1): 99-103.

生物識別技術(shù)廣泛應(yīng)用于身份認(rèn)證領(lǐng)域。手形識別技術(shù)因其具有采集方便、穩(wěn)定性高等特點(diǎn)，在生物識別領(lǐng)域有重要的研究意義[1]。

手形主要由掌形和指形兩部分構(gòu)成，掌形會(huì)因手掌張開程度具有不同程度的形變，而指形不受其影響具有較高的穩(wěn)定性。因?yàn)槭种篙喞兄^高的穩(wěn)定性，所以手形識別主要是依據(jù)手指特征進(jìn)行識別。現(xiàn)有的手形識別算法選取的手形特征主要分為2類，第一類為選取手指幾何尺寸作為識別特征，主要包括手形的長度特征和寬度特征，識別算法通常提取較多的手指不同位置的寬度特征和較少的掌形不同位置的寬度特征[1-5]；第二類為選取手形輪廓作為識別特征，通常選取手形輪廓特征位置包括：選取整個(gè)手形輪廓[6]、選取部分掌形輪廓，也就是指形輪廓和指形輪廓相連的部分掌形輪廓[7]、選取指形輪廓[8-10]，該類算法又分為在極坐標(biāo)系依據(jù)手形輪廓的手形識別和在笛卡爾坐標(biāo)系依據(jù)手形輪廓的手形識別。

與手形輪廓的手形識別算法相比，手形幾何尺寸的手形識別算法應(yīng)用了更多的手形特征，所以手形識別率更高。因?yàn)槭终频淖杂蓮堥_對掌形影響較大，對指形影響較少，所以本文設(shè)計(jì)的手形識別算法主要依據(jù)手指的輪廓特征。

1手形定位

本文采用的手形識別庫中的手形圖片如圖1所示，該手形圖像具有光照均勻、背景單一，采集手形時(shí)，照相機(jī)與手掌距離固定，被采集者的手掌五指自然張開。

由于大拇指具有較大的自由度，其輪廓特征不穩(wěn)定，所以本文選用了除大拇指外的其他4個(gè)手指用于手形識別[11-13]。

手形定位算法主要包括3個(gè)部分：手形圖像預(yù)處理、指尖點(diǎn)和指根點(diǎn)定位、手指中軸線擬合[14-15]。

圖1　手形原圖像Fig.1　The original image

1.1手形圖像預(yù)處理

手形圖像預(yù)處理的主要目的是提取手形輪廓，主要包括手形圖像灰度化、手形圖像二值化和手形輪廓提取3個(gè)部分。由于本文的手形圖像背景單一、光照均勻及前景圖像與背景差異明顯，可采用固定閾值分割手形圖像，圖2(a～c)分別為手形灰度化、二值化圖像和手形輪廓圖。

(a) 手形灰度化圖像

(b) 手形二值化圖像

(c) 手形輪廓圖2　手形圖像預(yù)處理Fig.2　The hand shape image preprocesses

1.2定位指尖點(diǎn)和指根點(diǎn)

定位指尖點(diǎn)和指根點(diǎn)是定位手指中軸線的基礎(chǔ)，常用的指尖點(diǎn)和指根點(diǎn)的定位算法是求每一個(gè)輪廓點(diǎn)到手腕中心點(diǎn)的距離，圖3為從手形輪廓最左邊的輪廓點(diǎn)開始順時(shí)針每一個(gè)輪廓點(diǎn)到手腕中心的距離，圖3中曲線的局部頂點(diǎn)為指尖點(diǎn)，局部谷底為指根點(diǎn)。手腕中心點(diǎn)：在手形輪廓圖中，手腕處兩個(gè)手形輪廓頂點(diǎn)連線的中點(diǎn)(圖2(c)中的中間黑點(diǎn))。

圖3　輪廓點(diǎn)到手腕中心點(diǎn)距離Fig.3　The distance between contour points and wrist center

1.3定位手指中軸線

因?yàn)槭种篙喞哂休^高的穩(wěn)定性，所以依據(jù)手指輪廓定位的手指中軸線也具有較高的穩(wěn)定性。首先擬合手指左右輪廓為手指邊緣直線，然后以這兩條邊緣直線的中分線為手指中軸線。

對于單個(gè)手指輪廓，依據(jù)指尖點(diǎn)劃分出手指的左輪廓和手指的右輪廓；然后通過二項(xiàng)式曲線擬合的算法分別擬合手指的左右輪廓，擬合的直線如式(1)。

(1)

定義左輪廓擬合的直線和右輪廓擬合的直線的角平分線就是手指中軸線，但當(dāng)左輪廓擬合的直線和右輪廓擬合的直線平行的時(shí)候，認(rèn)為與2條直線相平行且距離相等的直線為手指中軸線，式(2)表示手指中軸線。

(2)

式中：

式中：i(i=1,2,3,4)，y=ki×2-1x+bi×2-1為手指左側(cè)輪廓擬合的直線，y=ki×2x+bi×2為手指右側(cè)輪廓擬合的直線。定義手指中軸線與手指輪廓的交點(diǎn)為新的指尖點(diǎn)。

手指長度定義為分別過手指左右輪廓端點(diǎn)做手指中軸線的垂線，有2個(gè)交點(diǎn)，定義這2個(gè)交點(diǎn)中距離指尖點(diǎn)近的交點(diǎn)為手指長度的端點(diǎn)，另一個(gè)端點(diǎn)為指尖點(diǎn)，指尖點(diǎn)到指根點(diǎn)的輪廓長度為手指長度。圖4(a)為手指輪廓擬合示意圖，圖4(b)為手指中軸線示意圖。

(a) 手指輪廓擬合圖

(b) 手指中軸線圖

2計(jì)算手形相似度

本文定義手形相似度為注冊手形的四指與待識別手形的四指相似度的和，注冊手指與待識別手指相似度為注冊手指與待識別手指輪廓重合時(shí)，重合面積與注冊手指和待識別手指包圍的面積的比值。

2.1手指輪廓重合

手指輪廓重合的準(zhǔn)確性直接關(guān)系到計(jì)算手指相似度的準(zhǔn)確性，本文手指輪廓重合主要依據(jù)手指中軸線，首先分離待識別手形的手指，然后移動(dòng)待識別手指使其指尖點(diǎn)與相對應(yīng)的注冊手指指尖點(diǎn)重合，最后旋轉(zhuǎn)待識別手指使待識別手指中軸線與注冊手指中軸線相重合。圖5(c)為不同人手形圖像手指輪廓重合圖，圖6(c)為相同人不同手形圖像手指輪廓重合圖。

2.2計(jì)算手指相似度

由圖6(c)可以看出相同人的手指重疊后的手指根部輪廓具有很大的差異，這是因?yàn)槭种父庉喞S著手指張開程度不同會(huì)呈現(xiàn)出不同程度變形，選定用于手形匹配的手指面積區(qū)域是提升手形匹配率的關(guān)鍵。

(a)a人手形原圖

(b)b人手形原圖

(c)手形輪廓重合圖

(d)手指重合面積示意圖

(a)a人手形原圖

(b)b人手形原圖

(c)手形輪廓重合圖

(d)手指重合面積示意圖

本文選用如圖5(d)所示的手指面積用于計(jì)算手指相似度，當(dāng)手指輪廓重疊后，過手指中軸線上到指尖點(diǎn)距離為l的點(diǎn)做手指中軸線的垂線，該線與手指輪廓圍成的區(qū)域?yàn)橛糜谟?jì)算手指相似度的手指面積，l為注冊手指和待識別手指最短長度的90%，圖5(d)中黑色部分為注冊手指和待識別手指面積重合區(qū)域，剩下部分為注冊手指和待識別手指非重合面積，式(3)為手指相似度。

(3)

式中:S1、S2、S3、S4依次表示注冊手形中小拇指、食指、中指、無名指面積，S1′、S2′、S3′、S4′依次表示待識別手形中小拇指、食指、中指、無名指面積。

3手形識別

手形識別算法依據(jù)手形相似度，具體過程如式(4)和式(5)，R為注冊手形和待識別手形的小手指、無名指、中指和食指相似度的和，δ為手形相似度的閾值，用于判斷手形識別結(jié)果，當(dāng)J=1時(shí)匹配成功，否則匹配失敗。

(4)

(5)

4實(shí)驗(yàn)結(jié)果

選取50個(gè)人，每人5幅共250幅手掌圖像，進(jìn)行31 125次匹配實(shí)驗(yàn)，其中類內(nèi)匹配500次，類間匹配30 625次。圖7(a-d)為小拇指、無名指、中指和食指類內(nèi)相似度和類間相似度曲線，由圖7(a-d)能夠看出類內(nèi)μ值和類間μ值具有很大差異，這說明該特征能夠用于手形識別。從圖7(e)能夠看出類內(nèi)R值和類間R值也具有較大差異。

(a)小拇指數(shù)據(jù)統(tǒng)計(jì)

(b)無名指數(shù)據(jù)統(tǒng)計(jì)

(c)中指數(shù)據(jù)統(tǒng)計(jì)

(d)食指數(shù)據(jù)統(tǒng)計(jì)

(e)類內(nèi)R值和類間R值分布圖7　類內(nèi)數(shù)據(jù)和類間數(shù)據(jù)分布曲線Fig.7　Distribution curves of the intra-class and Inter-class data

圖8為手形識別率與閾值的關(guān)系曲線，圖9為等錯(cuò)誤率曲線，當(dāng)閾值為3.891時(shí)，識別率最高為99.890%，此時(shí)錯(cuò)誤拒絕率(FRR)為0.2%，錯(cuò)誤接受率(FAR)為0.108%。當(dāng)閾值等于3.858時(shí)，錯(cuò)誤接受率和錯(cuò)誤拒絕率均為0.811%，此時(shí)的識別率為99.18%。

圖8　手形識別率與閾值關(guān)系Fig.8　Hand recognition rate with a threshold

圖9　等錯(cuò)誤率曲線Fig.9　Equal error rate curve

TableThe highest recognition rate comparison of different algorithms

文獻(xiàn)最高正確識別率/%文獻(xiàn)[2]94.03文獻(xiàn)[9]97.48文獻(xiàn)[1]96.23本文方法99.89

與文獻(xiàn)中的3種方法相比，本文方法的識別率最高，具有明顯的優(yōu)勢，但是采集的圖像由于手掌姿勢的不同而導(dǎo)致手形變化，從而識別率降低。

5結(jié)束語

提出了一種基于手指輪廓的手形識別算法，以50人的手掌圖像為實(shí)驗(yàn)對象進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)表明，文本設(shè)計(jì)的算法識別率較高，手形識別率最高為99.89%。雖然識別率很高，并且在一定程度上解決了手形輪廓的不穩(wěn)定問題，但是對于一些特別的情況還是會(huì)有誤差，如一段時(shí)間后，手指變胖或瘦，會(huì)導(dǎo)致識別錯(cuò)誤。

參考文獻(xiàn):

[1]GUO Jingming, HSIA C H, LIU Yunfu, et al. Contact-free hand geometry-based identification system[J]. Expert systems with applications, 2012, 39(14): 11728-11736.

[2]苑瑋琦, 朱春艷, 柯麗. 手指寬度選取與識別率對應(yīng)關(guān)系分析[J]. 光學(xué)精密工程, 2009, 17(7): 1730-1736.

YUAN Weiqi, ZHU Chunyan, KE Li. Analysis of relationship between finger width and recognition rate[J]. Optics and precision engineering, 2009, 17(7): 1730-1736.

[3]KUMAR A, ZHANG D. Personal recognition using hand shape and texture[J]. IEEE transactions on image processing, 2006, 15(8): 2454-2461.

[4]ZHANG Jingmiao, GAO Weixiao. Application of fuzzy algorithm based on distance in hand-shape dentification[C]//Proceedings of the 9th International Conference on Electronic Measurement & Instruments. Beijing, China, 2009: 2-818-2-821.

[5]KANHANGAD V, KUMAR A, ZHANG D. A unified framework for contactless hand verification[J]. IEEE transactions on information forensics and security, 2011, 6(3): 1014-1027.

[6]YORUK E, KONUKOGLU E, SANKUR B, et al. Shape-based hand recognition[J]. IEEE transactions on image processing, 2006, 15(7): 1803-1815.

[7]BAKINA I, MESTETSKIY L. Hand shape recognition from natural hand position[C]//Proceedings of International Conference on Hand-Based Biometrics (ICHB). Hongkong, 2011: 1-6.

[9]XIONG Wei, TOH K A, YAU W Y, et al. Model-guided deformable hand shape recognition without positioning aids[J]. Pattern recognition, 2005, 38(10): 1651-1664.

[10]DUTA N. A survey of biometric technology based on hand shape[J]. Pattern Recognition, 2009, 42(11): 2797-2806.

[11]SANCHEZ-REILLO R. Hand geometry pattern recognition through Gaussian mixture modelling[C]//Proceedings of the 15th International Conference on Pattern Recognition. Barcelona, Spain, 2000, 2: 937-940.

[12]CHORAS R S, CHORAS M. Hand shape geometry and palmprint features for the personal identification[C]//Proceedings of the 6th International Conference on Intelligent Systems Design and Applications. Jinan, China, 2006: 1085-1090.

[13]KANG Wenxiong, WU Qiuxia. Pose-Invariant Hand Shape Recognition Based on Finger Geometry[J]. IEEE transactions on systems, man, and cybernetics: systems, 2014, 44(11): 1510-1521.

[14]AMAYEH G, BEBIS G, EROL A, et al. Reg-free hand shape verification using high order zernike moments[C]// Computer Vision and Pattern Recognition Workshop, 2006 CVPRW06,Conference on IEEE.2006,04.

Hand shape recognition algorithm based on finger contour

LI Yang1,2, LIU Fu2, KANG Bing2, GAO Lei2

(1. College of Electrical Engineering, Changchun Automobile Industry Institute, Changchun 130011, China; 2. College of Communication Engineering, Jilin University, Changchun 130022, China)

Abstract：To solve the low-stability problem of palm shape in hand shape recognition, this study presents a type of hand shape recognition algorithm based on a finger contour. First, the algorithm separates the five fingers from a hand and then locates the finger central axis by fitting the finger contour. By overlapping the registered finger contour and the finger contour to be recognized on basis of the finger central axis, the algorithm then calculates the area proportion of finger overlap regions. Compared with other hand recognition algorithms, the recognizability rate can reach 99.890% in the experiment. The study takes full advantage of the high stability of the finger contour and avoids high instability of the finger root contour.

Keywords：hand shape recognition; hand positioning; contour fitting; outline overlap; area coincidence ratio

DOI:11992/tis.201506039

收稿日期：2015-07-08. 網(wǎng)絡(luò)出版日期：2016-01-05.

基金項(xiàng)目：吉林省重點(diǎn)科技攻關(guān)項(xiàng)目(20140204046).

通信作者：劉富. E-mail: liufu@jlu.edu.cn.

中圖分類號：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號：1673-4785(2016)01-0099-05

作者簡介：

李洋，男，1981年生，助教，主要研究方向?yàn)樯锾卣髯R別技術(shù)。

劉富，男，1968年生，教授，主要研究方向?yàn)橛?jì)算機(jī)視覺及模式識別，生物特征識別技術(shù)、生物信息學(xué)。承擔(dān)和參與科研項(xiàng)目30余項(xiàng)，發(fā)表學(xué)術(shù)論文80余篇。

康冰，男，1978年生，高級工程師，博士研究生，主要研究方向?yàn)榭刂评碚撆c控制工程、模式識別和智能控制。

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20160105.1532.008.html