基于能量加权的子带杂交＊法在掌纹识别中的应用

王莉莉,陈晓华,李春芝

(1.湖州市华数数字电视有限公司浙江湖州313000;2.湖州师范学院信息工程学院,浙江湖州313000)

基于能量加权的子带杂交＊法在掌纹识别中的应用

王莉莉1,陈晓华2,李春芝2

(1.湖州市华数数字电视有限公司浙江湖州313000;2.湖州师范学院信息工程学院,浙江湖州313000)

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析(Two-dimensional Princip le component Analysis,2DPCA)算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.

小波变换;子带杂交;能量加权;二维主元分析;掌纹识别

0 引言

掌纹识别同其他生物特征识别一样,特征提取是掌纹识别的基础.目前掌纹图像的特征提取方法大致可以分为三种:第一种是几何特征的提取,即掌纹线的提取[1～2];第二种是能量特征的提取[3],这种方法一般将图像分块,利用不同幅掌纹图像对应块的能量不同来识别;第三种是目前运用最广泛的一种,即代数特征的提取,这种方法对图像进行某种数学变换来求得掌纹图像最佳特征空间,在新的空间域和不同的特征中可以更好地区分不同人的掌纹.不同的特征空间往往对应不同的识别效果,因此寻找到合适的特征空间是实现掌纹识别的关键[4].由于掌纹图像面积大、线条多,使得数据量及特征空间大,而且其中各种纹线相互交错,有着不同的方向、长度、宽度、凹凸对比度低以及掌纹的弓形结构特点,导致掌纹图像容易受噪声影响.基于此,本文提出基于能量加权的子带杂交法的一种新颖掌纹识别算法.

该算法首先对预处理后的掌纹图像进行小波变换,综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,对小波分解后每一层水平方向子带、对角方向子带、垂直方向子带以及低频子带进行能量加权,从而实现小波变换的子带杂交,再进行小波反变换,得到小波重构掌纹图像.接着用二维主元分析方法(Two-Dimensional Princip le Component A nalysis,2DPCA)进行特征提取[5],最终用最小距离分类器实现识别.基于香港理工大学公布的PolyU掌纹数据库的实验结果表明,子带杂交后的重构图像含有更丰富的信息量,有效地保留了掌纹图像中对识别有效的特征信息,并且解决了掌纹特征提取过程中手掌的非平面问题导致的伪主线噪声信息以及光照噪声.与2DPCA算法相比,本文算法是一种更加有效的掌纹识别算法.

1 掌纹识别算法

经过研究发现,掌纹部分细小的纹理会随年龄或人身体健康状况的变化发生一定的改变,但是掌纹上三条主线是不会变化的[6].与指纹相比,掌纹纹理表现更为复杂和多样.

掌纹识别就是要判定两幅图像是否来自于同一个手掌[1～3].本文提出基于小波变换子带杂交的一种新颖掌纹识别算法,首先将预处理后的掌纹图像进行多尺度小波变换,综合考虑同层各子带及相邻子带分解系数的特征,根据掌纹噪声特点,再进行小波系数能量加权,即子带杂交,接着由小波反变换实现掌纹图像重构.再由2DPCA算法进行特征提取,最终用最小距离分类器实现掌纹识别.

1.1 小波变换

图像处理中最常用的是二进制小波变换.令尺度按2的幂级数进行离散化,即a=20,21,22,…,2j,j =1,2,…,N.幂指数j较小的变化会引起尺度非常大的变化,因此二进制小波变换在信号分析中具有高效的变焦作用.当f(x,y)表示一幅图像信号时,其二进制小波变换相当于f(x,y)分别沿x方向和y方向经由不同的一维滤波器滤波,得到低频和高频子带图像.

图像经过小波变换后,若在某一频率和方向上具有较明显的特征,与之对应的子带图像的输出则具有较大的能量,因此图像信息集中在相应的少数小波系数上.信号经过小波变换,只要使用尺度合适的小波函数,可以任意尺度观察信号.同时,信号可分解成近似分量与细节分量.近似分量代表信号的低频分量,细节分量代表信号的高频分量.对于含噪信号,噪声分量的主要能量一般集中在小波分解的细节分量中.

考虑到掌纹图像不同区域内的纹理具有空间无序性,对应信号频率的突变,本文采用小波变换后的子带杂交完成掌纹图像的重构.对二维的掌纹图像进行小波变换,采用先对行信号,再对列信号进行变换.

1.2 子带杂交——系数能量加权

综合考虑小波同层各子带及相邻层子带小波分解系数的噪声特点,本文给出的子带杂交具体步骤如图1所示.假设Ai(i=1,2,…,M,M表示掌纹训练样本数)为任意掌纹图像矩阵,其中掌纹图像的低频子带A1(0)i表示小波分解后的第一层低频子带,进入下一层继续进行小波分解,直到得到最顶层AN(0)i,N= 1,2,…,(N表示小波分解层数),其余三个不同方向的高频子带进入杂交处理单元,提取掌纹图像中对识别有效的特征,最终由小波逆变换得到新的掌纹图像Bi.

1.3 2DPCA用于掌纹识别

经过子带杂交后,训练样本假设为Bi∈Rm×n,i=1,2,…,M.然后利用2DPCA去二阶统计相关、降维,求得训练样本的投影特征.训练样本的协方差矩阵G定义为:

其中,G∈Rn×n.协方差矩阵的特征值与特征向量的求解为:

其中,Λ∈Rn×n表示特征值组成的对角阵,U为特征值对应的特征向量组成的正交阵.设协方差矩阵G的特征值表示为λi(i=1,2,…,n),对应的特征向量表示为则Λ=U=[u1,u2,…,un].选择前d个较大特征值对应的特征向量ui(i=1,2,…,d)来构造特征子空间,其中计算训练样本Bi∈Rm×n的主元,即

其中,Yd∈Rn×d称为训练样本的投影特征,表示为Yd=[y1,y2,…,yd].

假设任意测试样本的投影特征表示为Yd′=[y1′,y2′,…,yd′],训练样本的投影特征表示为Yd= [y1,y2,…,yd],则其欧几里德距离为:

利用最小距离分类器即可实现掌纹识别.

2 实验结果与分析

2.1 实验对象

本文采用香港理工大学公布的PolyU掌纹数据库,从PolyU掌纹数据库中选择216人的掌纹,共4104幅掌纹图像.每只掌纹有19幅图像,部分掌纹的前10幅和后9幅分两次拍摄,其余掌纹的前9幅和后10幅分两次拍摄,时间相隔两个月.分辨率为384×284,灰度级为256.这些图像在拍摄时受到不同的光照影响.

2.2 实验结果与分析

为验证本文提出的算法性能,本文在Intel,Celeron M CPU,1.73GHz,MA TLAB6.5的环境下进行了掌纹识别实验.实验过程中,分别选取了不同时期内所拍摄的图像以及同一时期内拍摄的图像,训练样本数与测试样本数均不同时,以及样本次序列变化时,与2DPCA算法进行比较,实验结果表明本文算法的正确识别率均要比2DPCA算法有效.

在掌纹识别中,本文首先将原始掌纹图像进行预处理,切割对识别有用的掌纹信息,接着采用双线性内插法把每幅图像缩小为像素,然后用小波三层分解,由于对角方向子带反映的是图像整体结构信息,通常含有更多的噪声,而水平方向子带包含有部分对识别有效的纹理信息,随着分解层数的增加,各个方向上子带的分辨率下降,在小波分解的第一层的低频子带包含了很多光照信息,因此本文依次设定第三层的低频子带、对角方向子带、水平方向子带、垂直方向子带系数进行杂交;设定第二层的低频子带、对角方向子带、水平方向子带、垂直方向子带系数进行子带杂交;设定第一层的低频子带、对角方向子带、水平方向子带、垂直方向子带系数进行子带杂交,最终实现掌纹图像重构,得到稳定的掌纹主线.将掌纹矩阵再利用2DPCA进行降维、去相关和特征提取,最终利用最小距离分类器完成识别.当每只掌纹的4幅图像用于训练,其他15幅图像用于测试,这样训练样本与测试样本分别为864、3240幅.再选取每只掌纹同一时期拍摄的9幅图像进行实验,每只掌纹的4幅图像用于训练,其他5幅用于测试,训练样本和测试样本分别为864、1080幅.样本次数均随机产生,并与2DPCA算法比较,结果如表1所示.这里,正确识别率定义为正确识别的样本数除以参加测试的样本数.特征提取时间定义为训练样本特征提取的时间除以参加训练的样本数.模态一定义为同一时期内拍摄的每只掌纹9幅图像,共1944幅掌纹图像用于测试的实验;模态二定义为两个时期内(时间间隔为两个月)拍摄的每只掌纹19幅图像(其中前9幅和后10幅拍摄的时间间隔为两个月),共4104幅掌纹图像用于测试的实验.

从表1可以看出,随着样本次序的变化,正确识别率也在变化.在模态一实验时,随着样本次序的变化本文算法最高正确识别率可达100%.其中本文平均正确识别率比2DPCA算法平均正确识别率高出0.734个百分点.在模态二实验时,当样本次序随机产生时,最高正确识别率为97.51%,并且本文算法平均正确识别率比2DPCA算法平均正确识别率高出3.74个百分点.这表明本文提出的算法在特征提取时具有一定的稳定性,对噪声不敏感.同时在两个模态上的实验,本文算法的特征提取时间的平均值要低于2DPCA算法,这也充分表明该算法的高效性.

表1 基于PolyU掌纹数据库的识别结果

3 总结与展望

在掌纹图像获取过程中,除了会受到光照不均匀等噪声影响外,手掌本身的非平面也会导致获取的掌纹图像质量下降,产生伪主线、阴影等干扰信息,增加了掌纹特征提取的难度.基于此,本文提出基于能量加权的子带杂交的掌纹识别算法,该算法充分考虑小波分解后同层及相邻层系数噪声特点,从而设定权值实现子带杂交.实验结果表明,该算法很好地解决了噪声问题,提取了对噪声不太敏感的特征信息,同时通过小波变换后的子带杂交还简化了运算.与2DPCA算法比较,本文算法优于2DPCA算法.

[1]CH ISTIAN R,RISH I K,RICHARD SM,et al.Op tical measurement methods to study dynamic behavio r in M EMS [J].Proceedingsof SPIE,2001,44(1):127～137.

[2]LU GM,ZHANGD,WANG K Q.Palmp rint recognition using eigenpalm s features[J].Pattern Recognition Letters, 2003,24(9～10):1473～1477.

[3]DAV ID Z,GUANGM L,ADAMSW K,et al.Online Palmp rint Identification System for Civil App lications[J].Comput Sci&Technol,2005,20(1):70～76.

[4]HAN C C,CHENG H L,L IN C L,et al.Personal authentication using palmp rint features[J].Pattern Recognition, 2003,36(2):371～381.

[5]甘俊英,李春芝.基于小波变换的二维独立元分析及其在人脸识别中的应用[J].系统仿真学报,2007,17(3):612～615.

[6]ZHANGD,KONGW K,YOU J,et al.On-line palmp rint identification[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2003,25(9):1041～1050.

Abstract:A s palmp rint acquisition is often influenced by illum ination,and also the arch of the palmp rint resulted in much noise during the course of palmp rint image shot.This paper p resents palmp rint recognition based on energy weight w ith cross band fusion.Comp rehensively taking into account the noisy p ropertiesof various sub-bands in single wavelet level and decomposition coefficient of the adjacent sub -band,we emp loy themethod of energy weight based on palmp rint image,then emp loy Two-dimensional Principle component Analysis(2DPCA)for dimension reduction and de-correlated and finally, use a nearest neighbo r classifier fo r palmp rint recognition.Experimental results on Hong Kong Poly U palmp rint experiments show that correct recognition rate can reach 100%by themethod.A lso right recognition rate and recognition efficiency is higher than that by 2DPCA.

Key words:w avelet transfo rmation;cross band fusion;energy w eight;two-dimensional p rincip le component analysis;palmp rint recognition

Palmprint Recogn ition Based on Energy Weight with Cross Band Fusion

WANG Li-li1,L IChun-zhi2,CHEN Xiao-hua2
(1.Huashu Digital TV Co.,L td,Huzhou 313000,China; 2.Faculty of Information Engineering,Huzhou Teachers College,Huzhou 313000,China)

TP391

A

1009-1734(2010)02-0064-05

2010-02-20

浙江省自然科学基金项目(Y1100095);湖州市自然科学资金项目(2010YZ04).

王莉莉,助理工程师,从事数字电视前端的信号处理研究.