基于2D-2DPCA和小波变换的掌纹识别算法

赵裕峰 辽宁水利职业学院

关键字：掌纹识别 小波变换 2D-2DPCA

引言：掌纹识别的主要优点为：首先掌纹图像所涵盖的信息量丰富。我们在在获取掌纹信息的同时还可以获取他生物特征。比如，手型、指纹等，从而实现一体化识别。而且各类纹线信息，不易伪造。再次，信息采集设备简单。同时，在掌纹图像采集过程中不会涉及到人体的敏感部位，易于被掌纹图像采集用户所接受。因此，掌纹识别技术是一项深入研究的生物特征识别技术，并且具有有广大的应用前景。掌纹图像预处理、掌纹特征提取以及掌纹特征匹配是当前掌纹识别技术的3个阶段。掌纹特征的提取是这3个阶段的核心。掌纹特征提取算法有基于结构特征、基于统计特征、基于纹理及变换域特征和基于子空间特征等方法。

本文提出基于2D-2DPCA和小波变换的掌纹识别算法。采用2D-2DPCA不仅克服了传统小波变换后直接进行PCA遇到的维数灾难问题，同时也解决了2DPCA需要更多的特征维数D来表征图像的问题。在掌纹数据库上的实验结果表明，该算法的识别率更高、降低了对特征维数D的要求同时提高了识别速度。

1 小波变换

小波变换在图像处理领域以及包括指纹、人脸、虹膜以及字符识别等特征识别领域都有突出作用。小波分解非常适合用来描述多分辨率下单图像特征，用于获取较为全面的尺度与方向特征。对PolyU palmprint datebase经过预处理获取的ROI灰度图像进行中值滤波、图像增强（如图1）再进行三级小波分解。图像被分解成4个子带，如图 2所示。为了更清楚的看清掌纹的主线我们采用全局二值化的方法对图2中的LL进行二值化处理，处理结果如图3。

图 1

图 2

图 3

图 4

图 5

2 双向 2DPCA

2DPCA实质上对图像的行方向进行了最优投影计算。如果所提取的投影矩阵的d增加，则计算量也将迅速增加。因此，同时考虑图像列向量的最优投影计算，可以得到2DPCA在两个方向上的值，然后进行融合，即2D-2DPCA方法。

2.1 列方向的2DPCA

在2DPCA,图像的总体散布矩阵G1为：

2.2 D-2DPCA投影矩阵

图像行间信息是通过行向量2DPCA反映出来的。也就是说，图像行间信息是从一系列训练样本图像的最优化矩阵得出的。我们首先将一个的图像a向 的矩阵X上进行投影。这样便会产生一个的矩阵Y=aX。同理，图像的列间信息是通过列方向的2DPCA反映出来的。我们同样会得到一个的最优化矩阵z。我们将图像a投影到z上,产生一个的矩阵将图像A同时向X和Z投影,产生一个的矩阵C：（3-3 ）

此时，C便是我们通过2D-2DPCA的方法获得的具有综合特征信息的参数。在获得该参数后，我们便可以进一步对掌纹图像进行识别与处理。

2.3 特征选择

由于不同类别的样本之间的类间散度越大，说明其可分性越好。所以我们在选取基向量时应该选取有利于分类的基向量。可用下式实现：2DPCA变换中的主分量选取。

通过上述介绍的2D-2DPCA与小波变换相结合的方法，可以实现将一副图片变成降了维的矩阵。

3 实验结果与分析

本文实验所采用的掌纹图像为香港理工大学生物研究中心提供的掌纹数据库。采集掌纹的分辨率为284 384,如图3所示。采用预处理技术,将600幅掌纹图像剪切出大小为128 128的掌纹感兴趣区域,如图4所示。然后将这600幅带有掌纹感兴趣区域的图像分为两组---训练样本和测试样本。每个人随机选取三幅掌纹图作为训练样本,其余三幅作为测试样本。通过中值滤波、图像增强、三级小波分解后生成特征矩阵,然后经双向2DPCA降维和特征选择,可以得到训练样本与测试样本的特征。然后计算它们之间的欧氏距离。最后运用最近邻算法进行识别。结果表示2D-2DPCA特征维数仅为9 9,识别率最高。

4 结束语

本文提出了一种基于2D-2DPCA和小波变换的掌纹识别算法。先将预处理后的掌纹图像进行三级小波变换。然后对其提取高频子图像系数作为特征提取的输入。再利用2D-2DPCA算法进行降维和特征提取,最后利用最近邻法进行识别。