一種多特征描述的指花紋識(shí)別方法

一種多特征描述的指花紋識(shí)別方法

生物特征識(shí)別技術(shù)是解決當(dāng)前社會(huì)計(jì)算機(jī)化、數(shù)字和網(wǎng)絡(luò)化發(fā)展中安全問題的重要手段。它已成為識(shí)別、信息集成、信息安全、數(shù)據(jù)處理等學(xué)科中的基礎(chǔ)任務(wù)之一。目前，生物特征的研究內(nèi)容越來越豐富，系統(tǒng)的準(zhǔn)確性和垂直性提出了更高的要求。指紋、耳膜、人類面部、特征、聲音等生物識(shí)別技術(shù)已經(jīng)深入研究。這些在用戶接受度、成本和性能上都是最好的。其中，基于人的特征身份識(shí)別系統(tǒng)的特點(diǎn)穩(wěn)定性好，易于收集，并且用戶接受程度高。近年來，它引起了越來越多的關(guān)注。換句話說，指放在手指表面的關(guān)節(jié)上的折疊肌肉的類型，分為遠(yuǎn)指橫、中指橫和近指橫（指橫）。目前，基于手指橫的生物特征識(shí)別技術(shù)很少，而且不同文獻(xiàn)中對(duì)手指橫的定義不同。Li等提出層次的指橫紋識(shí)別方法,以指橫紋在手指上的位置信息,結(jié)合Radon變換進(jìn)行身份粗匹配,進(jìn)一步以中指橫紋為研究對(duì)象進(jìn)行點(diǎn)特征的提取與匹配.該文獻(xiàn)代表了指橫紋識(shí)別的兩種研究方向:基于手指的指橫紋識(shí)別和基于中指橫紋的識(shí)別.基于手指的指橫紋識(shí)別是以整個(gè)手指或手指的大部分子圖為研究對(duì)象的識(shí)別技術(shù).Ribaric等提出采用Eigenfinger進(jìn)行身份認(rèn)證,實(shí)際上該Eigenfinger包含了遠(yuǎn)指橫紋、中指橫紋和大部分近指橫紋特征.羅等提出了一種基于Radon變換和奇異值分解的指節(jié)紋身份識(shí)別方法,主要提取手指的第1和第2折痕線的特征.Li、竺等根據(jù)手指上指橫紋能量的空間分布不同,使用Radon投影變換構(gòu)成識(shí)別系統(tǒng).基于中指橫紋的識(shí)別則主要依據(jù)手指中指橫紋子圖像為研究對(duì)象.Li等提出使用指橫紋點(diǎn)特征和改進(jìn)的Hausdorff距離度量的身份識(shí)別方法.Sun等利用指橫紋紋線簡單的特點(diǎn),將指橫紋點(diǎn)特征作為水印信息內(nèi)嵌于掌紋圖像中,在保護(hù)和隱藏生物特征的同時(shí),提高了系統(tǒng)的性能.李等提出基于Gabor濾波的特征提取方法,并采用互相關(guān)點(diǎn)匹配實(shí)現(xiàn)認(rèn)證系統(tǒng),取得了較好的效果.鑒于中指橫紋比遠(yuǎn)、近指橫紋更為豐富,此外,中指橫紋在手指圖像不完整的情況下也能獲取,有利于在刑偵等方面應(yīng)用,因此,這里主要研究基于中指橫紋的識(shí)別技術(shù).為了方便表示,本文定義“指橫紋”為手指的中指橫紋,并以中指“指橫紋”為研究對(duì)象.分析現(xiàn)有文獻(xiàn),指橫紋識(shí)別存在的問題主要表現(xiàn)在:(1)指橫紋定位不夠精確.其定位主要依賴于指谷和指尖等極值點(diǎn)位置信息,而指谷點(diǎn)位置和手指根部皮膚的非剛性形變有關(guān),指尖極值點(diǎn)則根據(jù)手指擺放角度不同略有變化,這些很難保證指橫紋定位的旋轉(zhuǎn)、平移不變性,這導(dǎo)致了基于紋理、子空間方法的可行性較差.(2)互相關(guān)點(diǎn)匹配算法.雖然在指橫紋認(rèn)證系統(tǒng)中取得了較好的效果,但對(duì)于識(shí)別系統(tǒng)來說,系統(tǒng)的實(shí)時(shí)性難以保證.針對(duì)上述兩方面的問題,本文作者首先提出一種基于手指剛性形變的指橫紋定位方法;在此基礎(chǔ)上,采用多特征描述的方法構(gòu)成識(shí)別系統(tǒng).分別提取基于主成分分析(PrincipalComponentAnalysis,PCA)的統(tǒng)計(jì)特征、基于Gabor濾波的相位特征和幅值特征,采用基于Fisher準(zhǔn)則的線性判決分析(LinearDiscriminantAnalysis,LDA)融合各匹配分?jǐn)?shù).實(shí)驗(yàn)結(jié)果表明,本文方法在實(shí)現(xiàn)特征快速匹配的同時(shí),系統(tǒng)性能也保持在一個(gè)較高水平.1旋轉(zhuǎn)不變性證指橫紋圖像預(yù)處理主要包括:中指圖像的分割并保證具有旋轉(zhuǎn)不變性,指橫紋感興趣區(qū)域(RegionofInterest,ROI)的提取確保平移不變性,大小歸一化以保證尺度不變性.1.1轉(zhuǎn)向角度校正方法應(yīng)用實(shí)驗(yàn)室自行研制的采集系統(tǒng),采集的指橫紋圖像如圖1(a)所示.借鑒Li等提出方法,通過二值化(圖1(b))、指形邊緣跟蹤與低通濾波器,找到如圖1(c)所示的指形極值點(diǎn)A、B、C.考慮到指谷點(diǎn)容易受到手指根部皮膚非剛性形變的影響,這里采用指形特征作為角度校正的依據(jù),以保證指橫紋圖像的旋轉(zhuǎn)不變性.假設(shè)極值點(diǎn)A和B之間的邊緣點(diǎn)個(gè)數(shù)為k1,B和C之間的邊緣點(diǎn)個(gè)數(shù)為k2.令k=max(k1,k2),以極值點(diǎn)B為基準(zhǔn)點(diǎn),分別取距離B點(diǎn)兩側(cè)0.25×k～0.5×k的手指邊緣點(diǎn)作為角度校正的參考點(diǎn)(這樣可以使參考點(diǎn)不包括指尖彎曲輪廓點(diǎn)和手指根部輪廓點(diǎn)),采用最小二乘法進(jìn)行直線擬合,以兩直線夾角的中分線作為中指的主軸,以主軸方向作為水平坐標(biāo)軸得到保持旋轉(zhuǎn)不變性的中指圖像.進(jìn)一步以主軸和指尖邊緣的交點(diǎn)為左側(cè)邊緣點(diǎn),以主軸和極值點(diǎn)A、C連線交點(diǎn)為右側(cè)邊緣點(diǎn),以A、C線段距離為寬度,可分割出中指圖像如圖1(d)所示.1.2指工藝段的劃分由于指橫紋圖像中沒有固定不變的特征點(diǎn),不利于指橫紋圖像的對(duì)齊.在李等的基礎(chǔ)上,本文提出基于雙向差分的指橫紋定位與提取方法.根據(jù)手指的物理結(jié)構(gòu),指橫紋位于距手指遠(yuǎn)端2/5～4/5之間,首先截取手指該區(qū)域(圖2(a)黑色矩形區(qū)域),提取該區(qū)域最大內(nèi)接矩形作為指橫紋粗定位的結(jié)果,如圖2(b)所示.根據(jù)指橫紋方向單一且屬于屋脊邊緣特性,結(jié)合其脊邊緣的不同寬度,我們構(gòu)造1、2、3階雙向水平差分算子如下分別對(duì)圖像進(jìn)行水平方向3次濾波以突出脊邊緣(如圖2(c),(d),(e)所示),進(jìn)一步將濾波后圖像進(jìn)行水平方向的Radon變換投影,可確定指橫紋的準(zhǔn)確位置.給定M×N圖像I(x,y),其Radon投影為式中:θ為投影方向,由于指橫紋方向較為單一(垂直手指邊緣),這里將θ設(shè)置為0,即式中R(x)為圖2(f)中實(shí)線所示的曲線.將該曲線進(jìn)行低通濾波,可得圖2(f)中虛線R′(x)(右側(cè)縱軸為低通濾波后實(shí)際值),其極值點(diǎn)K1和K2分別對(duì)應(yīng)于指橫紋兩端能量最密集處.在基準(zhǔn)點(diǎn)K1和K2橫坐標(biāo)平均值處作水平軸的垂線,以該垂線與手指邊緣兩交點(diǎn)的中點(diǎn)為中心,以兩交點(diǎn)距離0.7倍為邊長,劃分出正方形區(qū)域?yàn)橹笝M紋感興趣區(qū)域.為使得圖像有統(tǒng)一大小,將該區(qū)域標(biāo)準(zhǔn)化為48×48像素大小的圖像,分辨率約為50dpi.如圖2(g)給出了數(shù)據(jù)庫中部分人的指橫紋樣本,可以直觀地看到,該圖像包含了指橫紋大多數(shù)的紋線信息.2資源提取與比較的特征性2.1模型特征值的計(jì)算PCA方法是一種典型的統(tǒng)計(jì)特征提取方法,被廣泛地應(yīng)用于掌紋和人臉等識(shí)別系統(tǒng)中方法通過對(duì)數(shù)據(jù)樣本的各個(gè)維度進(jìn)行去相關(guān),在正交空間中選擇統(tǒng)計(jì)意義上的主要成分,從而去除噪聲.對(duì)于大小為N×N的指橫紋圖像,PCA方法需要將這個(gè)2維矩陣轉(zhuǎn)化為N2維向量,其通過計(jì)算訓(xùn)練樣本序列x1,x2,…,xM之間的總體散布矩陣特征值問題,給出一組數(shù)量遠(yuǎn)遠(yuǎn)小于樣本空間維數(shù)的正交基來表示訓(xùn)練樣本張成的子空間.樣本總體散布矩陣如下式中μ為所有訓(xùn)練樣本的均值向量,X=[x1-μ,x2-μ,…,xM-μ],通過計(jì)算矩陣∑的特征值及正交歸一的特征向量,可得指橫紋樣本的特征空間UPCA.通常樣本維數(shù)遠(yuǎn)遠(yuǎn)大于樣本個(gè)數(shù)(N2M),矩陣∑的特征值計(jì)算比較復(fù)雜,可采用奇異值分解方法求解.PCA是基于最小均方誤差準(zhǔn)則下的特征描述方法,因此本文采用基于歐氏距離度量的匹配方法進(jìn)行特征向量之間的距離衡量.即對(duì)于樣本x1、x2,它們對(duì)應(yīng)的特征分別為y1=UTPCAx1,y2=UTPCAx2,特征之間的距離表示如下式中n為特征長度,也就是主成分的個(gè)數(shù),本文取n=100.2.2r濾波器的實(shí)現(xiàn)Gabor濾波器具有良好的生物相關(guān)性,對(duì)信號(hào)空間域和空間頻率域有最優(yōu)的描述.因此,基于Gabor濾波的紋理特征提取方法被廣泛應(yīng)用于生物特征識(shí)別中.在空域二維Gabor濾波器可看做是被復(fù)正弦函數(shù)調(diào)制的Gaussian函數(shù),定義如下這里i=-1,f為正弦函數(shù)的頻率,σ為Gaussian包絡(luò)的標(biāo)準(zhǔn)差,θ為控制函數(shù)的方向.由于指橫紋方向單一,令θ=0,參考文獻(xiàn),取f=0.0916,σ=5.6179,可以得到離散的Gabor函數(shù)G[x,y].為了降低光照的影響,去除該濾波器的直流分量如下其中(2n+1)2為濾波器的尺寸.對(duì)于一幅指橫紋圖像K,對(duì)其進(jìn)行2DGabor濾波后可得紋理圖像為GR[x,y]和GI[x,y]分別為濾波器的實(shí)部和虛部,“*”為卷積算子.2.2.1相位特征編碼在得到濾波結(jié)果后,根據(jù)實(shí)部和虛部幅值大小不同,本文采用格雷碼對(duì)4個(gè)象限的相位信息進(jìn)行編碼,并將其作為特征進(jìn)行匹配,編碼方式如下編碼后的相位特征滿足相鄰象限僅有一個(gè)比特的差別,可以減小邊界效應(yīng)的影響.2.2.2.幅值信息的運(yùn)用傳統(tǒng)的基于Gabor濾波的特征提取方法往往僅使用相位信息進(jìn)行判決,而拋棄了幅值信息.實(shí)際上,幅值信息也可用作特征表示,我們將幅值信息進(jìn)行線性量化,其公式為其中:K=KR2+KI2;」為向下取整;L為量化階數(shù),本文將其設(shè)定為8.2.2.3異/異配的漢明距離化對(duì)于兩幅指橫紋圖像P和Q,令2DGabor濾波后所得的相位特征和幅值特征分別為PP、QP、PM、QM.對(duì)于相位信息匹配,本文采用歸一化的漢明距離,表示如下式中:“”為異或運(yùn)算;N2為指橫紋圖像大小.考慮到指橫紋定位時(shí)存在水平方向的誤差,為減少平移的影響,將提取的特征碼矩陣前向和后向平移若干點(diǎn)后在每一個(gè)平移位置上計(jì)算歸一化漢明距離,把所有這些距離中的最小值作為最終匹配度,即本文取ω=2.幅值特征匹配時(shí),采用歸一化街區(qū)距離并考慮指橫紋定位引起的誤差,定義幅值特征匹配距離如下3對(duì)于分類參數(shù)的分類在2節(jié)中,我們獲得了指橫紋的PCA特征、Gabor相位特征、Gabor幅值特征及各自匹配分?jǐn)?shù).為了提高系統(tǒng)性能,本文采用決策級(jí)融合方法將各匹配分?jǐn)?shù)進(jìn)行融合,這樣就可以利用不同特征,描述信息,改善系統(tǒng)性能.由于不同特征所得到的匹配分?jǐn)?shù)處于不同的特征空間在融合之前需要分別歸一化以使它們具有統(tǒng)一的尺度范圍.這里使用ZS歸一化方法進(jìn)行處理,使其具有0均值、1方差.假設(shè)DPCA為PCA特征匹配分?jǐn)?shù)集合DPCA中的一個(gè)元素,我們對(duì)其進(jìn)行歸一化如下式中:μ為集合DPCA的均值,σ為集合DPCA的標(biāo)準(zhǔn)差.同樣,我們可以得到Gabor相位特征、Gabor幅值特征各自歸一化后的匹配分?jǐn)?shù)DPh和DMag.此時(shí),構(gòu)造融合向量f=[DPCA,DPh,DMag]T.常用的融合方法主要有最大規(guī)則、最小規(guī)則、乘積規(guī)則、求和規(guī)則等,但這些方法在計(jì)算最終的匹配分?jǐn)?shù)時(shí),忽略了樣本的類別統(tǒng)計(jì)信息.為了進(jìn)一步利用各匹配分?jǐn)?shù)類別信息,本文采用基于Fisher線性判決規(guī)則融合各匹配分?jǐn)?shù).令屬于真實(shí)身份匹配的融合向量子集為F1,屬于虛假身份匹配的融合向量子集為F2.可得融合向量類間散度矩陣SB和總類內(nèi)散度矩陣SW如下這里m1和m2分別為集合F1、F2的均值向量,S1和S2為集合F1、F2的類內(nèi)散度矩陣.Fisher線性判決以最大化類間類內(nèi)差異的比值為優(yōu)化目標(biāo),其優(yōu)化目標(biāo)函數(shù)如下這里W為最佳投影方向.4實(shí)驗(yàn)方法與評(píng)價(jià)實(shí)驗(yàn)評(píng)估系統(tǒng)建立在我們構(gòu)建的圖像數(shù)據(jù)庫上,該數(shù)據(jù)庫共包含來自98個(gè)人的1971幅手部圖像樣本.采集的方法為在6個(gè)月的時(shí)間內(nèi)跟蹤采集2～4次,每人采集最多28幅圖像樣本.在98類樣本中,每類抽取出5個(gè)樣本作為訓(xùn)練集,剩下的1481幅圖像作為測試集.本文分別采用基于PCA的統(tǒng)計(jì)特征描述方法、基于Gabor相位信息編碼的紋理特征描述方法和基于Gabor幅值信息編碼的紋理特征描述方法構(gòu)建系統(tǒng),進(jìn)一步使用Fisher線性判決方法將各匹配分?jǐn)?shù)進(jìn)行融合.實(shí)驗(yàn)內(nèi)容主要包含兩部分———識(shí)別和認(rèn)證.對(duì)于識(shí)別系統(tǒng),評(píng)估指標(biāo)為正確識(shí)別率;對(duì)于認(rèn)證系統(tǒng),評(píng)估指標(biāo)有:錯(cuò)誤接受率(FAR)、錯(cuò)誤拒絕率(FRR)、平均錯(cuò)誤率(HTER)和等錯(cuò)誤率(EER),部分實(shí)驗(yàn)結(jié)果的ROC曲線也在文中給出.實(shí)驗(yàn)環(huán)境為Matlab7.0/WinXP/P43.0G/2GBRAM.4.1pca和gabo濾波識(shí)別性能對(duì)比對(duì)于識(shí)別系統(tǒng)而言,每一個(gè)測試樣本都要與訓(xùn)練集中所有模板進(jìn)行匹配,根據(jù)最近鄰規(guī)則給出識(shí)別結(jié)果.在每一次識(shí)別過程中,為了提高系統(tǒng)性能,定義該測試樣本與每類用戶的距離為它到5個(gè)訓(xùn)練樣本的最小距離.表1給出了各算法的識(shí)別性能比較,采用PCA算法系統(tǒng)識(shí)別率為98.79%,采用Gabor濾波相位編碼方法和幅值編碼方法的識(shí)別率分別為99.33%、99.26%,取得了較好的識(shí)別結(jié)果.可見,基于PCA的統(tǒng)計(jì)描述方法和基于Gabor濾波的紋理描述方法都可用于指橫紋識(shí)別;此外,采用Gabor濾波的幅值信息編碼和相位信息編碼在指橫紋識(shí)別上性能相當(dāng).基于Fisher線性判決準(zhǔn)則的匹配級(jí)分?jǐn)?shù)融合方法進(jìn)一步提高了系統(tǒng)性能,識(shí)別率達(dá)到了99.39%.4.2實(shí)驗(yàn)結(jié)果及分析在本文的每一次完整的認(rèn)證實(shí)驗(yàn)中,都要完成725690(1481×98×5)次比對(duì),其中有7405次為真實(shí)身份,其余為假冒身份.在每一次認(rèn)證過程中,定義該測試樣本與每類用戶的距離為它到5個(gè)訓(xùn)練樣本的最小距離.實(shí)驗(yàn)結(jié)果在圖3和表2中給出,3種單特征描述算法的等錯(cuò)誤率分別為1.55%、0.81%、1.48%,表明基于Gabor相位信息編碼方法在認(rèn)證系統(tǒng)中要優(yōu)于另外兩種方法;基于Fisher線性判決準(zhǔn)則的融合方法系統(tǒng)性能最優(yōu),HTER和EER分別為0.56%和0.70%.表2還給出了李等提出的互相關(guān)點(diǎn)匹配算法與本文算法的比較,從表2知,本文算法在