在线单机采集的人手多生物特征识别

桑海峰，黄 静

（沈阳工业大学 信息科学与工程学院，辽宁 沈阳 110870）

安全可靠的个人身份认证是避免和抑制公共安全事件发生的一个重要环节.基于人体生物特征的身份识别技术给我们提供了一种解决上述问题的绝佳方案［1－2］.现有的研究和实际应用表明，生物特征识别技术已经在一些特定的或具体的领域得到了使用，并且因为其各自独特的生物特性，在某些方面甚至表现出极其出色的性能［3－4］.但是，这些基于单一生物特征的身份识别在实际应用中都面临现实的问题，使得各种生物特征识别技术的优点和缺点同样突出.多生物特征识别成为研究者为了解决在生物特征识别研究中遇到的困难以及在推向实际应用的过程中面临的问题和需要而作出的自然的选择［5］.

多生物特征识别系统往往需要为不同的特征配备不同的采集设备，而信息获取过程是否方便快速将影响身份认证设备的应用.指纹信息获取方式比较方便，但许多国家为了提高指纹信息的唯一性，越来越多地采用10个手指的指纹信息，使得采集过程变得既不方便也不快捷.

本文以手形和掌纹信息来构造多生物特征识别系统，采用非接触定焦摄像机成像方式.另外，由于采集过程是非接触的，因此被测试者会感觉到卫生、舒适，而且手掌不会因为接触到采集平面而发生变形［6－7］.

1 识别系统

图1 识别系统的流程图Fig.1 Diagram of recognition system

本文提出一种手形结合掌纹的身份认证系统（见图1）.该系统采用非接触式采集方式，人手只需自然张开并放在摄像头前一定范围内即可.提出一种通过关键点定位来提取手形和掌纹特征的方法.对于手形，采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别，再利用掌纹特征对手形分类结果加以认证，实现了手形和掌纹相结合的组合识别.该算法运行于白天办公工作环境下即可.

1.1 图像采集与预处理

本文采用单一背景的非接触方式进行手图像采集，所采集的彩色图像直接进行了灰度化处理.效果如图2所示.要进一步进行图像特征提取，首先要进行图像预处理，由于采用了单一背景图像采集，因此直接采用全局直方图阈值法进行图像二值化，即通过统计全图的直方图来活动二值化的分割阈值［8］，并通过中值滤波对手形边缘加以平滑来过滤掉图像噪声.该方法是对整个图像进行逐点遍历，使用的是窗口模板.模板窗口将所有像素的图像的像素值进行排序，其中间值作为核心像素，此产生的新的图像就是中值滤波后得到的图像［9］.图3为预处理后的效果图.

图2 采集的原始图Fig.2 The original image

图3 二值化后的图像Fig.3 Binarized image

1.2 关键点定位

由于手图像在整个图像中的位置并不固定，因此，要想提取手形和掌纹特征，首先要找到定位基准，文中所要定位的关键点为食指、中指、无名指和小指的指尖点（T1，T2，T3，T4）及它们的指根点（C1，C2，C3），如图4a所示.具体定位过程如下.

（1）手形轮廓跟踪.在处理后的二值图像上，找到右上端手边界点作为起始点，按逆时针方向进行轮廓跟踪，记录轮廓边界点的坐标.

（2）关键点区域定位.以轮廓点为中心，生成半径为9像素的模板圆，计算模板圆内像素个数N（即手掌部分在模板圆内的面积）来定位指尖点、指根点的区域.N值的大小由具体的实验确定.此过程会将手指上和手腕附近一些区域也定位进来，为此可以采用如图4d所示计算曲率的办法加以排除.公式为

通过曲率的方法，排除非关键点的干扰，得到较为准确的指尖点和指根点的链码区域，如图4b和图4c所示.

（3）关键点定位.选择每个定位区域的中间点作为关键点，记录3个指根点、4个指尖点在轮廓链码中的位置以及在图像中的坐标.如图4a所示.

1.3 手形特征的提取

图4 指尖点和指根点的定位过程Fig.4 The location process of fingertips points and finger root points

由于采用非接触方式进行图像采集，手的绝对大小是不固定的，因此，本文采用手指相对长度作为手形特征.具体提取过程如下.

（1）以中指和无名指之间的指根点C2为例.分别沿C2点沿手形轮廓向前、向后各扫描若干像素点，定义最外的两个点分别为C21和C22，连接点C2和C21，C2和C22（图5a）， 在点C2和C21之间的手形轮廓上，寻找距离线段C2C21最远的点V2D；在点C2和C22之间的手形轮廓上，寻找距离线段C2C22最远的点V3U.指根点C1，C3处进行相同的操作，从而得到指根点ViU（i＝2，3，4），ViD（i＝1，2，3）.

图5 手形特征点定位及特征选取过程Fig.5 Hand feature location and feature selection process

（2）定位食指和小指的外边界指根点.以食指为例，连接点T1和C1，以T1为圆心、｜T1C1｜为半径沿逆时针方向画圆，与手形轮廓的第一个交点即为食指的外边界点V1U（如图5b所示）.小拇指进行类似的处理，得到外边界点V4D.从而寻找到了四指的指尖点（T1，T2，T3，T4）和指根点ViU，ViD（i＝1，2，3，4）（如图5c所示）.

（3）连接每个手指的两侧指根点，例如食指的指根连线V1UV1D，计算该线段的中点坐标N1，连接T1N1，中指、无名指、小指进行类似的处理.T1N1，T2N2，T3N3，T4N4为4个手指的绝对长度，如图5d所示.然后计算各个手指绝对长度两两之间的相对长度（包括6个相对长度，即T1N1／T2N2，T1N1／T3N3，T1N1／T4N4，T2N2／T3N3，T2N2／T4N4，T3N3／T4N4），作为手形的特征向量，记为di（i＝1，2，…，6）.

1.4 掌纹特征的提取

要提取掌纹特征，首先要定位感兴趣区域（ROI），其过程如下：

（1）连接已确定的指根点C1和C3，计算线段C1C3的长度，记为L，作出线段C1C3的垂直平分线，建立新的坐标系；

（2）根据新坐标系及原坐标系之间的角度关系旋转图像；

（3）在旋转后的图像中，距离线段C1C3L／5处，以L为边长截取方形区域；

（4）经过缩放归一化大小为128×128的图像，即ROI区域，如图6所示.

Gabor小波具有优良的空间局部性、空间频率及方向选择性，能够提取图像局部区域的多尺度、多方向的显著特征［10］.研究表明，Gabor变换最适合应用于对皮肤一类纹理的分析［11］，并且从频域中看掌纹纹理的频率波动范围并不大，因此，可利用Gabor变换的方法提取掌纹特征.

图6 掌纹感兴趣区域的截取Fig.6 Interception of the interested area of palmprint

本文选用4尺度6方向（5π／6，4π／6，3π／6，2π／6，π／6，0）组成的24个 Gabor滤波器对掌纹ROI区域图像进行滤波，每幅图像可以得到24个滤波器输出，将它们叠在一起形成24×1的行向量.由于得到的向量维数比较大，为了提高计算效率，需要对Gabor变换后的结果进行降维，主成分分析（PCA）是一种行之有效的降维方法.PCA的目的是通过线性变换寻找一组最优的单位正交向量基（即主分量），用它们的线性组合来重构原样本，并使重构以后的样本和原样本的均方误差最小［12］.所以本文采用PCA对该向量进行降维，得到的结果作为掌纹特征.

2 实验平台

本文采用 MVC－II－3M型130万像素摄像头、单一颜色背景板构成简易非接触式采集装置，工作环境为白天室内环境.拍摄图像时，手掌自然张开，与镜头的表面平行即可.根据实验需要，本文基于Matlab GUI设计了一套完整的在线识别模拟系统，其构成包括手掌图像采集及预处理模块、特征提取模块、特征匹配模块.模拟系统工作界面如图7所示.模拟系统工作在CPU主频3.2 GHz，内存2GB，Windows XP系统下.

为了模拟一定条件下的实际应用环境，本文采用两个实验条件完全不同的图库进行混合.分别是实验室自采图库和香港科技大学提供的手掌图库.

图7 模拟系统工作界面Fig.7 Interface of simulation system

调节手与摄像头的距离，使手掌图像位于镜头的景深范围之内，此距离即为图像采集位置.采集50人的右手手掌图像，每人10幅，图像分辨率为640×480，如图8所示.在香港科技大学提供的手形数据库中抽取70人，这样就建立了一个120人的混合图库.

图8 实验室自采图像Fig.8 Images collected by laboratory

3 实验与分析

为了比较本文所提出的基于手形和掌纹的融合识别方法的优越性，本文进行了一系列完整的实验，将单独手形识别、单独掌纹识别和融合识别进行比较.

3.1 手形识别和掌纹识别

在每个人的10幅手掌图像中，以任意5幅图像作为训练样本，其余5幅图像作为测试样本.

（1）应用文中手形相对距离算法提取特征，采用欧式距离匹配，采用最近邻分类方法分类.公式如式（2）所示.若待测者的手形特征向量与用户注册的手形特征向量的欧式距离Dt小于阈值T，则判断为同一人的手，否则判断为不同人的手.合法匹配与非法匹配距离分布曲线如图9所示，等错误率曲线如图10所示.两图的横坐标均为归一化后的欧式距离.

图9 手形距离分布曲线Fig.9 The hand distance distribution curve

图10 手形等错误率曲线Fig.10 Equal error rate curve of hand shape

由实验结果分析可知，利用手指的相对长度进行身份识别，平均匹配时间为0.054 4s，在等错误率的情况下识别率仅为82.98%.

（2）对于掌纹ROI图像，采用2D－Gabor方向滤波的特征提取方法，采用汉明距离DH匹配实验，采用最近邻分类方法分类.P和Q分别表示两个人的掌纹图像经2D－Gabor变换后提取的特征矩阵，其汉明距离计算公式如式（3）所示.式中，M为样本个数.合法匹配与非法匹配距离分布曲线如图11所示，等错误率曲线如图12所示.两图的横坐标均为归一化后的欧式距离.

图11 掌纹距离分布曲线Fig.11 The palmprint distance distribution curve

图12 掌纹等错误率曲线Fig.12 Equal error rate curve of palmprint

由实验结果分析可知，利用掌纹的2D－Gabor方法进行身份识别，在等错误率的情况下识别率可以达到98.96%，但平均匹配时间消耗较大.

3.2 手形和掌纹相结合的组合识别

提取手形特征后的关键问题是设计一种优良的分类器，将待测样本划分到正确的类别中.将k近邻分类器和支持向量机分类器相结合就实现了这一种高效的分类器.

k近邻分类的基本思想是：在所有M个样本中找到与测试样本Y的k个近邻，设k1，k2，…，kc分别是k个近邻中属于ω1，ω2，…，ωc类的样本数，若kj（Y）＝max｛ki（X）｝（i＝1，2，…，c），则X∈ωj.

SVM是在统计学理论基础上发展起来的结构风险最小化理论［13］.由于SVM算法是一个凸优化问题，因此局部最优解一定是全局最优解.其基本思想是通过在原空间或经投影后的高维空间中构造最优分类面，如图13所示.

给定一组训练数据 T＝｛（x1，y1），…，（xl，yl）｝∈（X×Y）l，其中，xi∈X⊂Rn，yi∈Y＝｛－1，1｝，i＝1，…，l.

超平面定义为

式中，φ是原始数据空间到高维特征空间的映射；b为偏差.则SVM的决策函数为

式中，α＊i，b＊为求解带约束条件的二次规划问题得到的系数；K（x·xi）为核函数.

图13 最优分划超平面Fig.13 Optimal partition hyperplane

由于手形的训练样本在特征空间中没有表现出良好的聚类，因此k近邻分类器的分类性能较差，当k个近邻中存在多个kj（X）时，必然造成误分类.SVM算法在解决小样本识别问题中具有独特的优势和较高的分类精度，但对大规模分类问题训练时间较长.文中利用k近邻算法将手形的训练样本减少到k个，然后通过SVM算法进行分类，有效提高了算法的识别速度，再利用掌纹特征对手形分类结果加以认证，有效提高了识别系统在实际应用时的安全性和稳定性.

（1）对于任意待测样本，使用手形识别的方法计算其与所有注册样本的欧式距离，利用k近邻分类器寻找与之距离最近的k个样本.

（2）将这k个样本作为训练样本，利用SVM算法实现对测试样本的最终分类.

（3）计算对应类别的掌纹图像与待测样本掌纹图像的汉明距离DH，根据掌纹的等错误率曲线设定阈值Tpalm，当DH＜Tpalm时，则匹配成功，否则待识别人员即为非注册人员.匹配结果如表1所示.

表1 三种算法的比较Table 1 Comparison of the three algorithms

通过对表1数据的分析，在混合图库上进行实验，单独的手形识别方法识别率较低，掌纹识别方法的时间消耗过大，而二者相结合的组合识别方法在保证系统的高识别率和低时间消耗的同时，尽可能地降低错误识别率（FAR），提高了识别系统的安全性.

4 结 语

对于手形特征，本文采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别，再利用掌纹特征对手形分类结果加以认证，实现了手形和掌纹相结合的组合识别.实验证明，二者相结合的组合识别方法的识别率达到98.65%，有效提高了识别系统在实际应用时的安全性和稳定性.下一步的工作是研究当手掌平面相对镜头发生倾斜时的识别研究，以进一步提高识别系统的实用性.

［1］ Chen Baofeng，Lou Bailing，Wang Yuanzhuo，et al.A Biometrics Method on Facial and Features［J］.Computer Science，2005，32（8）：189－191.

［2］ 苑玮琦.生物特征识别技术［M］.北京：科学出版社，2009：1－5.

（Yuan Weiqi.Biometric Authentication［M］.Beijing：Science Press，2009：1－5.）

［3］ Sang Haifeng，Ma Yueshi.Robust Palmprint Recognition based on Touch－less Color Palmprint Images Acquired［C］∥The 6th International Conference on Bioinformatics and Biomedical Engineering.Shanghai，2012：541－544.

［4］ 王晓云，郭金玉.低阶不变矩人耳识别方法［J］.沈阳大学学报：自然科学版，2012，24（2）：62－65.

（Wang Xiaoyun，Guo Jinyu.Human Ear Recognition Methods based on Low－order Moment Invariants［J］.Journal of Shenyang University：Natural Science，2012，24（2）：62－65.）

［5］ 桑海峰，赵云.基于人手自然张开的多生物特征识别［J］.仪器仪表学报，2011，32（11）：15－22.

（Sang Haifeng，Zhao Yun. Multi－biological Features Recognition based on Natural Open of Hand［J］.Chinese Journal of Scientific Instrument，2011，32（11）：15－22.）

［6］ Nicolae D.A Survey of Biometric Technology based on Hand Shape［J］.Pattern Recognition，2009，42（1）：2797－2806.

［7］ Adams K，David Z，Mohamed K.A Survey of Palmprint Recognition［J］.Pattern Recognition，2009，42（7）：1408－1418.

［8］ 章毓晋.图像分割［M］.北京：科学出版社，2001：130－135.

（Zhang Yujin.Image Segmentation［M］.Beijing：Science Press，2001：130－135.）

［9］ 沈庭芝，方子文.数字图象处理与模式识别［M］.北京：北京理工大学出版社，1998：140－160.）

（Shen Tingzhi，Fang Ziwen.Digital Image Processing and Pattern Recognition［M］.Beijing：Beijing Institute of Technology Press，1998：140－160.）

［10］ Duc B，Fischer S，Bign J.Face Authentication with Gabor Information on Deformable Graphs［J］.IEEE Trans.Image Process，1999，8（4）：504－516.

［11］ Wai K K，David Z，Li W X.Palmprint Feature Extraction Using 2－D Gabor Filters［J］.Pattern Recognition，2003，36（10）：2339－2347.

［12］ Sirovich L，Kirby M.Low－dimensional Procedure for the Characterization of Human Faces［J］.J.Optical Soc.Am.，1987，4（3）：519－524.

［13］ Cortes C，Vapnik V.Support Vector Networks［J］.Machine Learning，1995，20（3）：273－297.