基于2D-2DPCA和小波變換的掌紋識別算法

趙裕峰 遼寧水利職業學院

關鍵字：掌紋識別 小波變換 2D-2DPCA

引言：掌紋識別的主要優點為：首先掌紋圖像所涵蓋的信息量豐富。我們在在獲取掌紋信息的同時還可以獲取他生物特征。比如，手型、指紋等，從而實現一體化識別。而且各類紋線信息，不易偽造。再次，信息采集設備簡單。同時，在掌紋圖像采集過程中不會涉及到人體的敏感部位，易于被掌紋圖像采集用戶所接受。因此，掌紋識別技術是一項深入研究的生物特征識別技術，并且具有有廣大的應用前景。掌紋圖像預處理、掌紋特征提取以及掌紋特征匹配是當前掌紋識別技術的3個階段。掌紋特征的提取是這3個階段的核心。掌紋特征提取算法有基于結構特征、基于統計特征、基于紋理及變換域特征和基于子空間特征等方法。

本文提出基于2D-2DPCA和小波變換的掌紋識別算法。采用2D-2DPCA不僅克服了傳統小波變換后直接進行PCA遇到的維數災難問題，同時也解決了2DPCA需要更多的特征維數D來表征圖像的問題。在掌紋數據庫上的實驗結果表明，該算法的識別率更高、降低了對特征維數D的要求同時提高了識別速度。

1 小波變換

小波變換在圖像處理領域以及包括指紋、人臉、虹膜以及字符識別等特征識別領域都有突出作用。小波分解非常適合用來描述多分辨率下單圖像特征，用于獲取較為全面的尺度與方向特征。對PolyU palmprint datebase經過預處理獲取的ROI灰度圖像進行中值濾波、圖像增強（如圖1）再進行三級小波分解。圖像被分解成4個子帶，如圖 2所示。為了更清楚的看清掌紋的主線我們采用全局二值化的方法對圖2中的LL進行二值化處理，處理結果如圖3。

圖 1

圖 2

圖 3

圖 4

圖 5

2 雙向 2DPCA

2DPCA實質上對圖像的行方向進行了最優投影計算。如果所提取的投影矩陣的d增加，則計算量也將迅速增加。因此，同時考慮圖像列向量的最優投影計算，可以得到2DPCA在兩個方向上的值，然后進行融合，即2D-2DPCA方法。

2.1 列方向的2DPCA

在2DPCA,圖像的總體散布矩陣G1為：

2.2 D-2DPCA投影矩陣

圖像行間信息是通過行向量2DPCA反映出來的。也就是說，圖像行間信息是從一系列訓練樣本圖像的最優化矩陣得出的。我們首先將一個的圖像a向 的矩陣X上進行投影。這樣便會產生一個的矩陣Y=aX。同理，圖像的列間信息是通過列方向的2DPCA反映出來的。我們同樣會得到一個的最優化矩陣z。我們將圖像a投影到z上,產生一個的矩陣將圖像A同時向X和Z投影,產生一個的矩陣C：（3-3 ）

此時，C便是我們通過2D-2DPCA的方法獲得的具有綜合特征信息的參數。在獲得該參數后，我們便可以進一步對掌紋圖像進行識別與處理。

2.3 特征選擇

由于不同類別的樣本之間的類間散度越大，說明其可分性越好。所以我們在選取基向量時應該選取有利于分類的基向量。可用下式實現：2DPCA變換中的主分量選取。

通過上述介紹的2D-2DPCA與小波變換相結合的方法，可以實現將一副圖片變成降了維的矩陣。

3 實驗結果與分析

本文實驗所采用的掌紋圖像為香港理工大學生物研究中心提供的掌紋數據庫。采集掌紋的分辨率為284 384,如圖3所示。采用預處理技術,將600幅掌紋圖像剪切出大小為128 128的掌紋感興趣區域,如圖4所示。然后將這600幅帶有掌紋感興趣區域的圖像分為兩組---訓練樣本和測試樣本。每個人隨機選取三幅掌紋圖作為訓練樣本,其余三幅作為測試樣本。通過中值濾波、圖像增強、三級小波分解后生成特征矩陣,然后經雙向2DPCA降維和特征選擇,可以得到訓練樣本與測試樣本的特征。然后計算它們之間的歐氏距離。最后運用最近鄰算法進行識別。結果表示2D-2DPCA特征維數僅為9 9,識別率最高。

4 結束語

本文提出了一種基于2D-2DPCA和小波變換的掌紋識別算法。先將預處理后的掌紋圖像進行三級小波變換。然后對其提取高頻子圖像系數作為特征提取的輸入。再利用2D-2DPCA算法進行降維和特征提取,最后利用最近鄰法進行識別。