基于不變矩的手形認證方法研究

劉英旋+王飛+萬曉宇+王長明+孫永剛+劉杰

【摘 要】針對現有的手形認證方法的不足，提出一種基于幾何不變矩的手形認證方法。圖像經過二值化處理和分割手腕后，需要對所得到得手掌及手指部分圖像進行平移和縮放歸一化處理，以提取圖像的幾何矩特征，再由7個矩特征構成一組特征向量。最后通過支持向量機方法對圖像庫中的100幅圖像數據進行訓練，并隨機抽取15幅圖像進行測試，結果表明手形認證準確率可達到93.3%。提取手形幾何矩特征作為手形認證的有效特征，該方法具有算法簡單、運算量小、認證準確率高等特點，并且解決了由于去除定位栓所帶來的手形采集平移、旋轉和縮放等問題。

【關鍵詞】手形認證；圖像預處理；不變矩；特征提?。恢С窒蛄繖C

0 前言

手形識別是利用人手的生物特征來進行識別的身份認證技術，與其他的生物特征相比，基于手形的身份識別技術有以下優點：對圖像獲取設備的要求較低，手形處理算法相對簡單、認證速度最快，目前手形認證已經成為生物特征識別技術的一個重要組成部分，并受到越來越多的重視。本文提出一種適用于無定位的非接觸式手形圖像采集和處理方法，將幾何不變矩方法應用于手形特征識別，解決了由于去除定位栓所帶來的圖像平移、旋轉和縮放等問題，并通過實驗驗證了算法的識別率。

1 幾何矩定義

幾何矩是一種基于統計分析的方法，1962年，M.K.Hu首次提出了圖像識別的幾何矩理論，并證明了所提出的7個矩組隊圖像的平移、縮放和旋轉變化均保持不變。本文采用幾何矩進行特征提取，并應用到手形識別中去，很好地解決了手形識別過程中手形的旋轉縮放和尺度變換所帶來的問題，使手形識別系統具有很好的魯棒性。低階矩主要描述圖像的整體特征，如面積、主軸、方向角等；而高階矩主要描述圖像的細節。這七個矩不變量適合描述目標函數的整體形狀，因此在邊緣提取、圖像匹配及目標識別中具有廣泛的應用[7]。目前矩特征廣泛應用于圖像匹配、目標識別、形狀特征分析等許多領域。

2 手形圖像預處理

2.1 圖像分割

提取特征前需要對采集到的手形圖像進行預處理，得到感興趣的區域。首先采用閾值分割方法對采集到的手形圖像作二值化和中值濾波處理，以濾除圖像中的離散噪聲點。由于本論文采集手形圖像采用無定位栓的方法，手的擺放位置有一定的自由性，而且手腕部分的分割誤差較大，所以采用手掌及手指的形狀特征作為分類特征。需要在采集到的手形圖像中將手腕部分分割[8]。最后采用手掌及手指圖像作為特征提取的對象。

2.2 歸一化

由于離散情況下的Hu矩具有旋轉和平移不變性，但是并不具有尺度不變性，所以需要在預處理階段將圖像進行尺度和平移歸一化。歸一化步驟為：

3 手形圖像矩特征提取

傳統的基于手部特征矢量的方法采用手部的幾何尺寸作為匹配特征，算法簡單匹配速度快，但是需要在采集臺上設置固定栓來對待測手的擺放位置進行限制，并且需要用戶進行配合。而采用矩特征表示圖像是一種基于統計分析的算法，描述了圖像的整體形狀特征，本文中提出的方法只需將攝像機位置固定后對手形進行采集。由于手的擺放位置有很大的自由性（小角度旋轉或者平移），所以提取的圖像特征必須要對旋轉或者平移具有不變性，HU矩正滿足這樣的要求，以下我們采集了同一人的手形，并進行不同角度的旋轉、平移及不同比例的縮放，并計算其HU矩結果。

4 實驗結果

身份認證需要解決的問題是，對于某一待測者采集識別手形，并和手形庫中輸入的注冊樣本進行比對，如果屬于同一被測者，則認證成功，否則需要重新采集或者判斷為不屬于同一人。本文選取了實驗室10人的手形樣本，分別在一天的不同時間段進行采集20次，采集時手形擺放的位置和角度不受限制。本文采用支持向量機典型二分類問題，即通過將采集的手形與圖像庫中用戶注冊的手形進行比對，判斷是否屬于同一個人。

傳統的分類方法只考慮分類器對訓練樣本的擬合情況，以最小化訓練集上的分類錯誤為目標，通過為訓練過程提供充足的訓練樣本來試圖提高分類器在未見過的測試集上的識別率。然而，對于少量

的訓練樣本集合來說，不能保證一個很好地分類了訓練樣本的分類器也能很好地分類測試樣本。

5 結論

為了解決傳統手形識別設備中，借助于定位栓對手形采集而給用戶帶來的不方便、不友好的問題，本文提出了一種針對手指自然張開、無定位栓和非接觸式采集手形圖像進行身份認證的方法。采用手形歸一化二值圖像的幾何不變矩作為特征矩陣，解決了在采集時手形旋轉、平移以及由于尺度變化引起的圖像縮放給識別結果帶來的影響。

支持向量機以結構化風險最小化為原則，即兼顧訓練誤差與測試誤差的最小化，在模式識別（人臉識別、字符識別、目標自動分類）和非線性系統控制中應用很廣泛。對于支持向量機分類來說，首先要解決的問題就是核函數的選擇，為了評價分類算法的準確性，首先從所采集的200幅圖像中同一人手形選取10幅共100組特征進行訓練，然后在圖像庫中隨機挑選15幅手形圖像作為測試集以驗證算法的分類準確性。分類準確率可達到93.3%，15幅圖像的分類時間為0.87秒。

本文建立了一個包括200組特征的手形庫，選取7個幾何矩不變量作為特征值，采用支持向量機先對樣本圖像進行訓練，然后利用訓練模型對隨機抽取的圖像進行分類測試，結果表明認證準確率可達到93.3%。本文提出的方法識別準確率高，計算量小，特征數少，便于傳輸和存儲，可以應用于嵌入式手形識別設備的開發。

【參考文獻】

[1]Nicolae Dta.A survey of biometric technology based on hand shape[J].Pattern Recognition，2009，42：2797-2806.

[2]桑海峰，趙云，苑瑋琦，陳靜.基于人手自然張開的多生物特征識別[J].儀器儀表學報，2011，32（11）：2549-2556.

[3]苑瑋琦，董茜.基于手部尺寸特征的手形認證方法[J].光學學報，2010，30（10）：2994-2999.endprint