基于降维比较的指横纹定位方法

田永梅，麻英晖，祁乐陶

（1.河北大学电子信息工程学院，河北保定 071002；2.中国环境管理干部学院现代化教育中心，河北秦皇岛 066004；3.爱荷华州立大学计算机科学系，爱荷华州埃姆斯 50011）

基于降维比较的指横纹定位方法

田永梅1，麻英晖2，祁乐陶3

（1.河北大学电子信息工程学院，河北保定 071002；2.中国环境管理干部学院现代化教育中心，河北秦皇岛 066004；3.爱荷华州立大学计算机科学系，爱荷华州埃姆斯 50011）

针对指横纹感兴趣区域（ROI）难以准确、快速定位的问题，提出了利用降维比较进行定位的方法。该方法在图像定位阶段，对ROI特征图像在水平和垂直2个方向投影，实现了图像的降维，在保留特征信息的基础上降低了后续处理计算的时间复杂度。将降维后的2个一维向量进行比较，最终实现指横纹ROI的精准定位。相对于传统方法，本方法降低了运算的维数，算法复杂度低，速度快，实验结果验证了该方法的有效性。

Gabor滤波；图像投影；图像定位

生物特征识别是利用人自身固有特性进行身份验证的一种技术。生物特征由于其唯一性、终生不变性、随身携带、不易丢失和冒用、防伪性能好等特点，正在成为身份认证的新介质，受到商界和学术界的普遍关注。目前，国内外主要研究的生物特征包括指纹、人脸、虹膜、掌纹、手形、手部血管、手指关节外侧纹线、声音、耳廓、签名等。指纹、手形等手部特征是最早研究并成功应用于实际，被公认为最可靠的身份识别方法之一［1－2］。

指横纹是近年来发现的一种可以作为身份识别的生物特征［3］，它是指手指第二关节内侧的屈肌褶纹图像，见图1。与其他手部特征相比，指横纹具有自身的独特性：纹线简单粗大，且方向相对统一；感兴趣区域（ROI）集中，且纹线数量有限；形变范围小，对手形姿态变化不敏感等。这些特点使得较低复杂度的算法也可以准确实现指横纹的特征提取，从而确保身份识别系统的实时性与准确性［4］。

图1 指横纹图Fig.1 Inner-knuckle-print

目前基于整个手指的指横纹识别研究主要有：罗荣芳等提出了基于Radon变换和奇异值分解的指横纹识别方法［5－6］，用小波分析理论来提取指横纹特征，然后利用欧氏距离衡量其相似性；竺乐庆等通过用余弦函数计算指节纹特征向量之间相似度进而实现最后的匹配［7］。基于手指局部的指横纹区域的识别工作主要有：LI Qiang等提出了使用指横纹点特征和改进的Hausdorff距离度量的身份识别方法［3］，并且基于Gabor滤波的特征提取方法，采用归一化互相关点的匹配方法实现认证系统，取得了较好的效果［7］；毛贤光等还提出了基于小波多分辨率分析原理［8］，利用八邻域的曲率分析指横纹定位新算法，提高了系统的鲁棒性。此外，研究人员在掌纹识别中将两幅图像在8个方位平移［9－10］，用“与”运算比较两图距离，从而将图像定位，这对指横纹感兴趣区域的定位也有很大的借鉴意义。综上可见，特征提取与匹配是指横纹识别的重要步骤，其中的图像定位问题更是衡量系统识别准确率和实时性的关键。如何精准、快速地对两幅图进行比对定位已经受到人们越来越多的关注。

笔者提出了基于Gabor特征和降维的指横纹定位新方法。该方法针对指横纹方向单一的特点，采用固定方向的Gabor滤波器提取指横纹特征［4］，并对特征图像进行投影降维处理，可以直接将运算量从（W×H）数量级降至（W＋H）数量级，最终可以降低特征匹配过程的时间复杂度。通过实验证明，本文算法是快速且有效的。

1 指横纹ROI的获得

图像的预处理是整个指横纹识别系统的基础，包括将采集到的图像进行单个手指的分离和指横纹ROI的分割及归一化。笔者将中指的第二关节内侧指横纹作为研究对象，采集到的是手指并拢的部分图像（包括中指、无名指和部分小指）。根据手指缝处存在一条黑色暗影的事实分割手指图像，然后根据ROI处纹线能量值最为集中从而粗提取出ROI的几何位置。

提取ROI的具体流程：将采集到的图像进行灰度化处理，消除色彩和光照影响。对灰度图像进行Gabor滤波，见图2a），将其二值化并在水平方向投影，得到图2b）所示的极值点，这3个极值点即可表示指缝所在的位置，进而可分割出单个手指图像（图2c））。由于指横纹纹线粗大且明显，在对单个手指图像滤波并投影后，ROI处的能量值最为集中，据此可分割出如图2d）所示的指横纹ROI。最后对ROI图像进行归一化，得到具有统一的均值和方差的样本图像。

2 Gabor特征的提取

Gabor滤波器可以方便地观察图像固定方向上的频率信息，提取图像边缘信息，具有良好的生物相关性，这使它在生物特征识别领域中得到广泛应用。指横纹纹线多为垂直方向，故李强等采用固定方向的Gabor滤波方法可以较为精确地提取出ROI的纹线特征［4］。本文也采用此方法。复值二维Gabor滤波器的一般形式表示如下：

图2 感兴趣区域的提取Fig.2 ROI extraction

式中：φ是Gabor滤波器的方向；f是滤波器的频率；τ是Gaussian包络常数。本实验中φ取0.5π，用以得到竖直方向的指横纹纹线；根据经验值，τ取4.2以使带宽为常数；f取2π×0.01；滤波器的范围设定为20。用此Gabor函数观察输入的指横纹ROI图像，具体过程如图3所示。其中图3a）为输入原图像，图3b）和图3c）分别为通过上述参数的滤波器后所得ROI实部和虚部的图像，根据经验，利用虚部滤波图中特征的识别效果比利用实部、模值及相角的效果要好，故本文采用虚部滤波图进行特征的提取。最后取合适的阈值，将虚部滤波图二值化，得到最终的二值特征，如图3d）所示。

图3 特征提取过程Fig.3 Feature extraction

3 指横纹的快速定位方法

指横纹识别系统中的定位过程是保证系统实现的可靠性和实时性的关键步骤，传统方法大多针对全部特征点多方向平移计算进而对图像定位，或者通过两图的卷积，选取互相关性最大的位置为图像定位的目标位置，过程较为复杂，速度较慢。本文采用降维比较法，首先将二值图像投影为一维向量，再将一维向量双向平移若干步，在每步均计算相似度，用所有得到的相似度中的最大值出现的位置将图像定位，从而匹配图像。

对于（W×H）大小的指横纹图像，相对于传统方法，本算法将运算量从（W×H）数量级降至（W＋H）数量级，在保留特征信息的基础上降低了后续处理计算的时间复杂度。设滤波后的ROI二值图像有（W×H）个像素点，即为（W×H）大小的矩阵，矩阵中元素的值为0或1，“1”所在的位置为纹理特征。降维比较法的具体思路表述如下。

4 实验与讨论

4.1 实验平台的介绍

实验所用数据为自行采集的77个人的820幅手部图像，每人9～12幅。将每个人第1个样本图像取其特征作为训练模板（共77个），其余743个样本作为测试集。通过预处理，得到了每个人中指的内侧指横纹ROI，再通过特征提取过程，得到了ROI的二值Gabor特征图像。

实验分为识别和验证2个过程。识别的目的是回答“这个人是谁”，即把每个测试样本和所有训练样本进行匹配，共匹配77×743次。如果两幅图来自于同一个手指，两者的匹配称为真实匹配，否则称为虚假匹配。本文所用图像库应有743次是真实匹配，其余76×743次是虚假匹配。

验证的目的是回答“这个人是不是他自称的人”，验证过程分为类间匹配（非法匹配）和类内匹配（合法匹配）。将每个人的每幅图像与除去该人的其他人的所有图像逐一进行匹配，即类间匹配，共663 644次；将每个人的每幅图像与其自身的其他图像逐一进行匹配，即类内匹配，共3 968次。相应的评估参数为错误接受率（FAR）和错误拒绝率（FRR）。以ROC曲线直观描述实验结果，其中等错误率（EER）是FAR和FRR相等时的点，用来表述系统验证的准确性。

4.2 方法准确性的评估

在识别过程中，743个测试样本里识别错误的图像共29幅，实验结果由表1给出。可见，利用本文提出的匹配方法所得的辨识精度高于传统方法，表明本文所用方法满足系统的安全性要求。

在验证过程中，本文方法所得的类内匹配和类间匹配所得的两组相似度值差异较大（相同手指的指横纹相似度高，均值为0.79，不同手指的指横纹相似度低，均值为0.41），可以设定阈值来判断匹配的正确性，进而完成不同身份的匹配工作。图4显示了两种不同的匹配方法所得的系统ROC曲线，表2对比显示了利用两种方法进行验证的实验结果，可以看出本文提出的利用降维比较的定位方法所得的等错误率低于传统方法。综上可见，在匹配过程中，利用本文方法可以提高内侧指横纹识别系统的准确性。

表1 识别过程的实验结果Tab.1 Results of the recognition experiment

4.3 方法准确性的评估

本文指横纹识别和验证都是在内存为2 GB，CPU速度为2.69 GHz的计算机上利用MATLAB 7.8及其图像处理工具箱完成的。由于采用了降维比较法，系统对图像匹配定位的速度较快，基于本文图像库平均1次ROI定位时间仅为2.9 ms，表3显示了本文方法与传统方法的定位速度的对比，可以看出本文方法大大低于传统方法，能更好地满足系统实时性要求。相信随着系统设施的最优化和算法的进一步完善，系统识别和验证的效率可以得到较大提高。

图4 不同匹配方法所得的系统ROC曲线Fig.4 ROC using different matching methods

表2 验证过程的实验结果Tab.2 Results of the verification experiment

表3 不同方法的定位时间Tab.3 Computation time for locating process

5 结 语

利用固定方向的Gabor滤波器提取指横纹图像特征，在图像定位阶段提出了降维比较法。该方法对ROI特征图像在水平和垂直2个方向投影，实现了二维图像数据到一维数据的转化，大大降低了后续处理运算的时间复杂度。同时，由于指横纹多为竖直方向，且纹线较为集中，本文方法保留了足够的关于指横纹垂直及水平点阵分布的特征信息，可以通过将两投影后的一维向量双向平移进行比对，准确完成指横纹定位及匹配过程。通过局部仿真实验，本文方法的定位时间仅为2.9 ms，等错误率为2.18%，说明用本文方法进行指横纹定位是快速且有效的。

［1］JAIN A K，ROBERT P W，DUIN J.Statistical pattern recognition：A review［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（1）：4-37.

［2］回文博，张海春，林立忠.一种基于极坐标的指纹分类算法［J］.河北科技大学学报（Journal of Hebei University of Science and Technology），2006，27（2）：162-164.

［3］LI Qiang，QIU Zheng-ding，SUN Dong-mei，et al.Personal identification using knuckleprint［A］.Proceedings of Sinobiometrics＇04［C］.Guangzhou：［s.n.］，2004.680-689.

［4］李 强，裘正定，孙冬梅，等.指横纹：一种新的生物身份特征［J］.自动化学报（ACTA Automatica Sinica），2007，33（6）：596-601.

［5］罗荣芳，林土胜.基于投影和小波分析的手指指节折痕纹识别算法［J］.计算机工程（Computer Engineering），2008，34（5）：216-218.

［6］罗荣芳，林土胜，吴 霆.基于人体手指指节折痕的身份识别方法［J］.光学工程（Opto-Electronic Engineering），2007，34（6）：116-121.

［7］竺乐庆，张三元，幸 锐.基于指节纹的个人身份自动识别［J］.自动化学报（ACTA Automatica Sinica），2009，35（7）：875-881.

［8］毛贤光，赖晓铮，赖声礼，等.基于小波多分辨率分析的指横纹定位新算法［J］.计算机研究与发展（Journal of Computer Research and Development），2009，46（4）：629-636.

［9］ZHANG Da-peng，LU Guang-ming，LI Wei.Palmprint recognition using 3-D information［J］.IEEE Trans on Systems，Man and Cybernetics，2009，39（5）：505-519.

［10］ZHANG Lin，ZHANG Lei，ZHANG Da-peng.Finger-knuckle-print：A new biometric identifier［A］.Proceedings of the IEEE international Conference on Image Processing［C］.Piscataway：IEEE Press，2009.1 981-1 984.

［11］郝存明.基于二维不可分小波的人脸识别方法［J］.河北工业科技（Hebei Journal of Industrial Science and Technology），2009，26（5）：448-451.

［12］张 英，尹成湖，白振林，等.基于手掌形状的身份模糊识别［J］.河北工业科技（Hebei Journal of Industrial Science and Technology），2004，21（3）：12-13.

A location algorithm of inner-knuckle-print based on dimension reduction

TIAN Yong-mei1，MA Ying-hui2，QI Le-tao3
（1.College of Electronic and Information Engineering，Hebei University，Baoding Hebei 071002，China；2.Modern Education Center，Environmental Management College of China，Qinhuangdao Hebei 066004，China；3.Department of Computer Science，Iowa State University，Ames Iowa 50011，USA）

Considering the difficulty of accurately and fast location of ROI of inner-knuckle-print，a new location algorithm is presented forward based on dimension reduction.This algorithm transforms 2-dimension image data to two 1-dimension data by projecting the binary image in vertical and horizontal direction，and then aligns ROI images through the comparison of the two 1-dimension data.This leads to rapid and efficient recognition.The experimental results verify that it is rapid and effective than traditional methods.

Gabor filtering；projection；image location

TP391.4

A

1008-1542（2012）05-0448-05

2012-09-03；责任编辑：陈书欣

国家自然科学基金资助项目（60903089，61073121）；河北省自然科学基金资助项目（F2009000215）；河北省科技支撑计划项目（072135188）

田永梅（1987-），女，河北保定人，硕士研究生，主要从事模式识别、图像处理方面的研究。