基于不变矩的掌纹识别方法

李 萍，井荣枝，2，尚怡君

（1.郑州大学 西亚斯国际学院，河南 郑州 451150；2.华中科技大学 湖北 武汉 430074）

随着人类社会安全形势越来越严峻和人们安全意识的不断增强，传统的基于指纹的身份鉴别方式已不能满足人们的需要。当前，掌纹识别在市场经济高速发展的需求下日趋成熟。由于掌纹识别自身的独特优势，它已经成为生物识别中的重要内容，对其研究也必将推动其他生物识别技术的发展。掌纹识别[1]是近几年发展起来的较新的生物特征识别技术，而且研究表明这种技术也可获得很高的识别率。掌纹识别技术是通过图像处理、模式识别等方法，利用人的掌纹特征来鉴别个人身份的技术。掌纹作为一种新的生物识别技术，掌纹识别需要具有较高的分辨能力以及较高的用户接受度，而且掌纹所包含的信息远比指纹提供的信息丰富，利用掌纹的线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。因此，从理论上讲掌纹识别应比指纹分析技术更可靠。同时，掌纹识别设备比较低廉。利用特定的识别算法，甚至可以利用低分辨率和低质量的掌纹图像来完成识别过程。所以这一课题的研究不仅具有较高的学术价值、理论与实用意义，而且具有广阔的应用前景和良好的潜在社会与经济效益。早期的研究方法是对掌纹的几何特征进行提取，即利用人的手形特征进行识别，但效果不是很令人满意。近年来人们利用掌纹区域来进行识别。掌纹识别的研究涉及到众多领域的理论和方法，该研究与其它众多学科（如图像处理和模糊模式识别）的发展紧密关联，更多的数学和物理方法，如周期分析、多元回归、逐步回归、聚类分析、时间序列分析、判别分析、主成分分析、马尔可夫链和模糊数学、图论、混沌理论和云计算等也被用于掌纹识别中。相关方法已经被用于图像处理中[2-3]，如目标定位和检测等。在目标定位中，主要应用峰值点对应的位置信息来确定图像的位置。不变矩作为图像的特征被广泛的应用于二维图像识别领域当中[4-5]，本文将不变矩的非线性组合应用于掌纹识别，取得了较好的效果。

1 掌纹识别系统的基本框架

掌纹是指手指末端到手腕部分的手掌图像，其很多特征可以用来进行身份识别：如主线、皱纹、细小的纹理、脊末梢、分叉点等。在线掌纹识别系统一般包括5个部分：

1）掌纹图像采集。根据不同的采集设备（例如CCD照像机）采集掌纹区域图像。首先利用某种设备（基于CCD的专门掌纹图像采集仪、数码照相机等）对掌纹图像进行采集，然后掌纹图像转换成可以用计算机处理的矩阵数据，一般采集利用的都是二维灰度图像；

2）图像预处理。根据手形或者特定设备提供基准线对图像预处理，提取掌纹感兴趣（ROI）区域。预处理的目的是使所采集的掌纹图像能方便的对图像后续处理，如去除噪声使图像更清晰，对输入测量引起或其他因素所造成的退化现象进行复原，并对图像进行归一化处理，如图1所示。最常见的掌纹预处理就是切割ROI区域[6-7]。

图1 掌纹图像预处理Fig.1 The palmprint image pretreatment

2 掌纹图像特征提取

不变矩作为图像的特征被广泛的应用于二维图像识别领域当中。有学者由二维图像的几何矩的非线性组合推导出了7项具有旋转、平移和尺度不变性的不变矩，且证明了这些矩保留了数据的分类信息。具体算法描述如下：

p+q级改进矩定义为：

它表示是沿着闭合轮廓的线积分。在实际应用中我们采用离散化公式来近似计算：

3）提取特征。根据不同的方法从掌纹ROI区域中提取不同的特征，例如纹理特征、方向特征、频域特征等。经过了预处理的信息仍然比较庞大和冗余，需要对预处理过的信息进行数据特征提取与选择，并且建立相应的数据库用于存储处理过的特征信息；

4）匹特匹配，对应不同方法使用某种特定距离进行特征匹配；

5）特征分类，根据预先设置的阈值进行分类与识别。

一般情况下，第4）步和第5）步可以简单概括为：计算待识别掌纹的特征信息与数据库中所有特征信息的距离，距离最小的掌纹类别即为识别的结果。

以上提到的掌纹识别的基本框架见图2。在实际应用在线识别系统中还需要其他部分，如个人注册、图像质量检测等。

图2 掌纹识别系统框架Fig.2 The system framework of the Palmprint identification

中心距μpq定义为：

为了得到尺度不变性μpq正则化为：

这些不变矩的组成的向量对于平移、旋转和比例尺变化具有保持不变的性质，因此可以做为掌纹图像的分类特征，对掌纹进行识别。

3 实验结果

采用PolyU掌纹库，该数据库中共包括600副掌纹图像，其中有100个不同人的掌纹，每个人的掌纹有6副图像分别在2个时期采集的，采集时间间隔为2个月。在实验中，每个人第一时期采集的三副图像作为训练集，第二时间采集的三副图像作为测试集。

实验环境为个人PC机，处理器为Intel Pentium 4 processor（2.66 GHz），内存为4.0 G，Windows XP操作系统，使用Matlab 7.0。

首先，进行预处理。将所有的掌纹图像归一化为128×128的子图像，然后计算每幅图像的不变矩，利用这个矩组作为掌纹识别特征，然后利用简单的K-最近邻（K=1）分类器进行识别，并与已有的掌纹识别方法Palm－Code[8]、Fusion－Code[9]和Competitive－Code[10]进行了比较。表1给出了掌纹识别结果。

表1 各种掌纹识别方法比较Tab.1 The comparison results of the various palmprint identification methods

由表1可以看出，不同方向对Palm Code算法的识别结果影响比较大；在Fusion Code中，规则化Hamming距离被用于计算测试图像与训练图像间的相似度，由于该方法把4个方向（0°、45°、90°、135°）进行了融合，所以误差（EER）得到了提高；在Competitive Code中，由于提取的特征是在6个方向（0°、30°、60°、90°、120°、150°）的Gabor滤波器竞争编码的结果，所以实验结果有了较大提高；而不变矩方法考虑了掌纹的不同角度，对旋转、平移和尺度具有不变性，所以得到的识别率最高。

4 结 论

本文利用非线性不变矩组成的向量进行掌纹识别，实验结果表明该方法的识别率最高。不足之处是不变矩对图象的描述太过笼统，没有反映掌纹的细节，而且它的计算量较大。所以，我们下一步的工作是挖掘简单鲁棒的掌纹分类特征。

[1]Connie T，Teoh A，Goh M，et al.Palmprint recognition with PCA and ICA[C].Image and Vision Computing New Zealand 2003，Palmerston North，New Zealand，November，2003：232－227.

[2]ITO K，Aoki T，Nakajima H.A palmprint recognition algorithm using phase-only correlation[J].IEICE Transaction on Fundamentals，2008（4）：1023－1030.

[3]Hennings P，Kumar B，Savvides M.Palmprint classification using multiple advanced correlation filters and palm-specific segmentation[J].IEEE Trans.on Information Forensics and Security，2007，2（3）：613－622.

[4]Tomasi C，Manduchi R.Bilateral filtering for gray and color images[C].Proceedings of the Sixth International Conference on Computer Vision，1998：4－7.

[5]MK Hu.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory，1962（8）：179－187.

[6]Zhang D，Kong A，You J，et al.Online palmprint identification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（9）：1041－1050.

[7]Kong A，Zhang D.Competitive coding scheme for palmprint verification[C].Proc.Of the 17th ICPR，2004（1）：520－523.

[8]Kong A，Zhang D，Kamel M.Palmprint identification using feature-level fusion[J].Pattern Recognition，2006，39（3）：478－487.