一種基于移動平臺的掌紋ROI定位算法

劉金浩，孫冬梅

（北京交通大學計算機與信息技術學院，北京100044）

隨著移動信息時代已經到來，智能手機等移動通信設備已經在日常生活中普及，在移動設備介入人們生活的方方面面的同時，也加大了移動設備被不法分子攻破時所帶來的風險。而基于生物特征識別的認證方式，例如掌紋，指紋和虹膜，因其具有唯一性，持久性和不可忘記性，克服了傳統認證方式的缺陷，成為一項極具競爭力的技術。其中，掌紋區域較大因而不需要很高的圖像分辨率，使用一般移動設備上所配備的攝像頭便可滿足需求，使得掌紋識別在移動平臺上的應用具有先天優勢。

在之前的掌紋識別系統中，掌紋ROI定位方法[1-7]一般分為3步：

1）對圖像進行二值化處理；

2）提取手掌區域邊緣；

3）利用形態學方法定位指間谷點并根據指間谷點定位感興趣區。

但在使用移動設備采集掌紋圖像時由于光照以及背景復雜，很難比較穩定的提取到準確的手掌區域邊緣并影響最終掌紋ROI的定位精度。另一方面，由于移動設備具有存儲空間稀缺，計算能力相對較弱的特點，一些已經在人臉分割領域十分成熟但需要較大運算能力的算法，例如AAM[8]、CLM[9]等在移動設備上運算速度較慢，不適宜移植到移動平臺上。

因此，文中提出一種基于移動設備的掌紋ROI定位算法，該算法利用Haar隨機森林回歸投票[10]算法學習谷點附近紋理特征，并綜合考慮谷點附近形態學特征，從而定位指間谷點并獲得最終的掌紋ROI區域，在移動設備上保持較快運算速度的同時獲得提高定位的準確度。

1 Haar隨機森林回歸投票算法

Haar隨機森林回歸投票算法[10]類似于Hough-Tree[11]算法，與其不同的是其對圖像類別不做區分，且葉子節點只存儲平均偏移而不是訓練樣本，從而節省了存儲空間。該算法分為訓練和檢測兩部分。

1.1 訓練過程

在特征點附近[-dmax,dmax]范圍內隨機選取一系列坐標點z，以z為中心提取大小為m×m的樣本圖像，計算其haar特征f(z)，并記錄點z與特征點的偏移量d。使用{fi,di}來訓練隨機森林，學習偏移量d與特征f之間的關系。

在樹的訓練過程中，使用

達到最小時的特征fi以及閾值t作為節點分割的標準，其中G({di})=Nlog|Σ|，Σ為di構成向量的協方差矩陣。當樹到達最大深度或節點中樣本數小于預先設定的最小樣本數時停止分割，葉子節點的權重即為1/σxσy，(x,y)為落在該葉子節點上樣本的偏移量。

1.2 檢測過程

在檢測時，對于樣本圖像每隔間隔n選取大小為m×m的樣本，記錄其中心位置fj并計算其特征fj，將特征fj輸入隨機森林得到多組該樣本中心點與特征點的偏移量和與之對應的權重的預測值{dj,wj}，對于每個預測值，均在pj+dj的位置權重增加wj，匯總所有樣本的投票結果最終獲得關于特征點的響應圖像。

2 算法流程

算法流程圖如圖1所示，首先不斷的檢測當前獲取到的圖像中是否有手掌出現且在適當的位置，在檢測到手掌出現且在適當位置的同時劃分出谷點ROI，隨后分別計算指間中線以及谷點ROI對于谷點位置的響應圖像，結合指間中線與響應圖像確定谷點，最后根據谷點位置定位掌紋ROI區域。

2.1 手掌檢測

圖1 算法流程圖

如圖2所示，參照JS Kim等人[12]的手掌檢測方法，在攝像頭采集的實時圖像上疊加手形輪廓線，用于引導用戶將五指張開并放在適當的位置。在輪廓線上食指與中指間谷點和無名指與小拇指間谷點的上下各存在兩條檢測線，我們在Ycbcr空間上利用膚色檢測[13]將檢測線上的像素點分為膚色點和非膚色點。當兩組檢測線均同時滿足以下兩個條件時判斷手掌已經處于合適的位置，并將上下兩條檢測線內的正方形區域作為谷點ROI以便后續定位谷點位置。

1）頂部檢測線左側和右側像素點為膚色點，中間部分像素點為非膚色點；

2）底部檢測線上像素點全部為膚色點。

圖2 手掌檢測示意圖

2.2 計算指間中線

從谷點ROI頂部邊界線開始，從左向右計算所有像素點與膚色空間中心點的歐式距離，根據閾值將像素點分為膚色點和非膚色點，如圖3（b）所示，兩個手指的邊界點即為膚色狀態發生轉換的位置。如圖3（a）所示，沿谷點ROI頂部向下每隔3像素掃描一次，重復20次或者檢測線上全部為膚色點時停止，得到所有邊界點對并計算中點，最后擬合所有中點得到指間中線。

2.3 計算谷點響應圖像

2.3.1 訓練Haar隨機森林

首先訓練Haar隨機森林。我們將訓練集所有圖像根據人工標定的谷點位置進行歸一化，對于每幅訓練圖像在谷點附近35像素距離內隨機取15個大小為20×20像素的正方形圖像用于隨機森林的訓練，兩個谷點各訓練一組具有10棵樹的Haar隨機森林，其中每棵樹的最大深度為200，每個節點中樣本數小于5時停止生長。

圖3 指間中線定位示意圖

2.3.2 計算谷點響應圖像

對待檢測圖像進行縮放和旋轉，使得兩個谷點ROI的中心與訓練集中兩個谷點的平均位置對齊，在谷點ROI內每隔3像素取大小為20×20像素的正方形圖像，計算其Haar特征后輸入與該谷點對應的隨機森林。對于每個正方形樣本，Haar隨機森林均會輸出一組投票，其中每張投票包括一個預測為谷點的位置p′以及該位置的權重w′，權重w′越大則該投票的可信度越高，匯總所有投票結果便得到谷點ROI區域內對于谷點位置的響應圖像。如圖4所示，響應圖像中某一位置的權重越大，該位置為谷點的可能性就越高。

圖4 響應圖像示意圖

2.4 確定谷點并定位掌紋ROI

為了綜合考慮谷點附近的形態學特征與紋理特征，將指間中線疊加在關于谷點的響應圖像上，選取指間中線沿線上權重最大的五個位置計算它們的平均值作為最終的谷點預測位置。如圖5所示，根據Zhang[14]的掌紋ROI劃分方法，兩谷點距離為L，在距離兩谷點連線的位置取邊長為L的正方形區域作為掌紋ROI。

圖5 ROI定位示意圖

3 實驗與分析

由于以往的掌紋數據庫大多均為使用固定設備在封閉環境下采集，為了驗證本文所提出的算法的有效性，我們在室內和室外兩種環境環境下使用移動設備采集50人份的掌紋作為掌紋數據庫，并在該掌紋庫上與JS Kim等人[12]提出的移動平臺下的掌紋ROI定位算法進行比對實驗。

3.1 數據采集

我們在Android系統上實現掌紋圖像采集系統，該系統包括本文算法中的手掌檢測功能，在檢測到手掌后將手掌圖像和檢測線位置一并記錄，以便在后續實驗中使用。我們使用該系統在多種Android手機上共采集50人的左手手掌圖像，其中每人在不同場景下采集12張手掌圖像，包括6張在室內拍攝，6張在室外拍攝。隨后采用人工標定的方式對這600張掌紋圖像的谷點進行標定。

3.2 針對谷點的Haar隨機森林訓練

我們將采集的圖像分為訓練集和測試集，訓練集包括30人共360張掌紋圖像，其余20人共240張掌紋圖像作為測試集。在訓練時為了使模型獲得一定尺度和角度的適應性，我們在0.9到1.1之間每隔0.05選取α作為縮放因子對原始圖像進行縮放，在正負12度內每隔6度選取β作為旋轉因子對原始圖像進行旋轉，因此我們一共有9 000個手掌圖像樣本作為訓練集，6 000個手掌圖像樣本作為測試集。對于每個谷點，訓練一個由10棵樹組成的隨機森林，每棵樹的訓練集為從9 000個樣本中隨機抽取的3 000個樣本。對于每幅訓練樣本在以谷點為中心偏移在[-35,35]像素的區域內，隨機選取15個大小為20×20像素的圖像計算其Haar特征和到谷點的偏移（從全部Haar特征[15]中隨機選擇700個參與訓練）。根據文獻[16]的結論，在樹的訓練過程中當節點上樣本數大于500時只從中隨機選擇500個樣本用于訓練該節點，從而加速訓練過程。當樹的深度達到200或者節點中樣本數小于5時停止生長。

3.3 試驗結果

3.3.1 準確度測試

在Intel（R）Core（TM）i5-4210U CPU@1.7 Hz 2.40 GHz平臺上進行準確度實驗，使用Matlab平臺實現算法并與JS Kim等人[12]的方法進行比較。使用算法預測的谷點位置與人工標定的谷點位置之間的歐式距離作為準確度的衡量標準，準確度對比結果如表1。

表1 定位準確度測試結果

由上表數據可以看出，本文算法在室內和室外環境下具有較高的定位準確度，而JS Kim等人[12]中的方法在室外環境下準確度下降明顯。

3.3.2 速度測試

在Android平臺上借助NDK實現本文算法，并在MX5手機上進行速度測試，各階段平均耗時如表2。

表2 計算速度測試結果

從上表可以看出，本文算法在移動設備上依然保持較快的計算速度。

4 結論

隨著移動設備的普及，對掌紋ROI定位算法提出了更高的要求。以往基于形態學的谷點定位方法具有計算速度快的特點，但在移動環境下光照與背景更為復雜時定位精度下降明顯，本文將其與基于紋理特征的定位方法相結合，在速度與準確度之間做出平衡，使算法更適用于移動平臺。未來的研究重點將放在繼續優化算法速度以及研究定位算法準確度的提升可以為掌紋識別的準確度帶來多大提升。

[1]張建新，歐宗瑛，劉典婷.基于移動設備的掌紋驗證系統[J].計算機工程，2010，36（4）：164-165.

[2]薛延學，劉敏，馬思欣，等.復雜背景下基于二維OTSU和膚色分割結合的掌紋圖像分割方法[J].西安理工大學學報，2015（3）：353-359.

[3]許爽，索繼東，趙繼印.自動找點的掌紋圖像定位分割方法[J].計算機工程與技術，2011，32（9）：3102-3105.

[4]高亞男，于肇賢，梁建霞.基于移動攝像頭的掌紋識別研究[J].北京信息科技大學學報：自然科學版，2015（1）：70-74.

[5]F Li，Neera.Mobile based palmprint recognition system[C]//International Conference on Control，Automation and Robotics.2015：233-237.

[6]Marc Franzgrote，Christian Borg，Benjamin J.Tobias Ries，et al.Palmprint Verification on MobilePhonesUsingAcceleratedCompetitive Code[C]//International Conference on Hand-based Biometrics，2011：1-6.

[7]Li F，Neera.Mobile based palmprint recognition system[C]//International Conference on Control，2015：233-237.

[8]Edwards GJ，Taylor CJ，Cootes TF.Interpreting face images using active appearance models[C]//IEEE International Conference on Automatic Face&Gesture Recognition，1998：145-149.

[9]Cristinacce D，Cootes TF.Feature detection and tracking with constrained local models[C]//British Machine Vision Conference，2006：929-938.

[10]Lindner C，Thiagarajah S，Wilkinson JM，et al.Fully automatic segmentation of the proximal femur using random forest regression voting[J].IEEE Transactions on Medical Imaging，2013，32（8）：1462-72.

[11]Gall J，Lempitsky V.Class-Specific hough forests for object detection[C]//Conference on Computer Vision and Pattern Recognition，2009：1022-1029.

[12]Kim JS，Li G，Son B，et al.An empirical study of palmprint recognition for mobile phones[J].IEEE Transactions on Consumer Electronics，2015，61（3）：311-319.

[13]Singh S，Chauhan DS，Vatsa M，et al.A robust skin color based face detection algorithm[J].Tamkang journal of science and engineering，2003（6）：227-234.