CN101967915B - 一种带有掌纹识别系统的保险柜的控制方法 - Google Patents

Abstract

本发明公开了一种带有掌纹识别系统的保险柜的控制方法，包括以下步骤：A1：采集掌纹图像；A2：对所述掌纹图像进行预处理；A3：提取预处理后的掌纹图像的特征向量；A4：根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配，匹配一致则发出开锁指令，匹配不一致则不发出所述开锁指令，无论匹配是否一致，都将开锁时间和用户信息存储在所述存储模块。

Description

一种带有掌纹识别系统的保险柜的控制方法

技术领域

本发明涉及保险柜技术领域，尤其涉及一种带有掌纹识别系统的保险柜的控制方法。

背景技术

一直以来人们都在试图寻找一种更为“保险”的保险柜，因为传统的保险柜系统是用钥匙和密码来开启的，而钥匙和密码是保险柜最不“保险”的根源。要想克服钥匙和密码给传统保险柜带来的这些致命弊端，在计算机与模式识别技术飞速发展的今天，用人类自身携带的生物特征来开启保险柜系统是国内外专家与学者们正在寻找的一种方法。

生物识别技术又称生物认证技术，指计算机利用人体固有的生理特征或行为特征进行个人身份鉴定的技术。目前生物识别技术主要分为以下8类：指纹识别，人脸识别，视网膜识别，虹膜识别，语音识别、签字识别和开锁动力学识别等。生物识别具有识别精度高、便于携带、不会丢失、不会遗忘、不会被借用或盗用等特点，是本世纪最有发展潜力的高新技术之一。在常用的生物识别技术中，掌纹识别是近期才发展起来的一种新技术，与其它生物特征相比，掌纹具有以下优点：(1)具有终生不变性和唯一性；(2)定位具有旋转不变性和唯一性；(3)掌纹中的细节特征和各类线特征都具有唯一性和稳定性；(4)掌纹的主要特征明显，不易被噪声干扰；(5)不易仿造；(6)由于对掌纹图像的分辨率可降低要求，采集设备成本较低；(7)掌纹识别的被测试者可接受程度较高；(8)识别系统的硬件标准化程度也高。

但是至今没有出现有关掌纹识别技术在保险柜中的应用方法。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种带有掌纹识别系统的保险柜的控制方法。

本发明采用如下技术方案：

一种带有掌纹识别系统的保险柜的控制方法，包括以下步骤：

A1：采集掌纹图像；

A2：对所述掌纹图像进行预处理；

A3：提取预处理后的掌纹图像的特征向量；

A4：根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配，匹配一致则发出开锁指令，匹配不一致则不发出所述开锁指令，无论匹配是否一致，都将开锁时间和用户信息存储在所述存储模块。

所述的控制方法，所述步骤A2对所述掌纹图像进行的预处理包括：掌纹图像的二值化、提取边缘线、确定角点、定位与归一化。

所述的控制方法，所述步骤A3采用小波变换来提取掌纹图像特征向量。

所述的控制方法，采用Daubechies和Symlet正交小波变换来提取掌纹图像特征向量。

所述的控制方法，所述掌纹图像特征提取模块对一幅掌纹图像进行4级的二维小波分解。

本发明的掌纹识别保险柜，是用人体自身携带的生物特征掌纹开启，跟其他的生物特征相比掌纹具有终生不变性和唯一性，定位具有旋转不变性，掌纹的细节特征和各类线特征具有稳定性，掌纹的主要特征明显，不易被噪声干扰。与其它形式的保险柜相比，不会出现钥匙丢失和被仿造的问题；也不会出现忘记密码和密码被盗的问题，安全性高。核心设备成本较低，易于大批量生产。

附图说明

图1二维小波分解示意图；

图2掌纹图像的二维小波分解，其中a为掌纹，b为a掌纹的小波分解图；

图3掌纹小波特征向量曲线图，其中a为手掌1、2、3的掌纹样本，b为掌纹1的特征向量曲线，c为掌纹2的特征向量曲线，d为掌纹3的特征向量曲线；

图4本发明掌纹保险柜的控制结构示意图；

图5为掌纹图像预处理方法示意图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

实施例1

本实施例提供一种掌纹保险柜的控制结构，如图4所示，包括掌纹图像采集模块10、掌纹图像预处理模块11、掌纹图像特征提取模块12、图像匹配模块13、存储模块16和开锁控制模块15；所述掌纹图像采集模块10用于采集用户的掌纹图像，所述用户的掌纹图像在所述掌纹图像预处理模块11进行预处理，在所述掌纹图像特征提取模块12提取预处理后的掌纹图像的特征向量，根据提取到的特征向量与存储模块中预存储的授权用户掌纹特征向量匹配，匹配一致则向所述开锁控制模块发出开锁指令，匹配不一致则不发出所述开锁指令，无论匹配是否一致，都将开锁时间和用户信息存储在所述存储模块；

例如，掌纹图像采集模块可以使用CCD摄像机，通过PC机或DSP对采集后的图像进行预处理，进行特征向量提取，进而和存储在存储模块16中的掌纹进行匹配。

存储在存储模块16中的授权用户的掌纹由管理员通过系统预先建立，为授权用户，授权用户也可以随时进行添加、修改。

本实施例的掌纹保险柜的控制机理具体步骤如下：

A1：采集掌纹图像；

A2：对所述掌纹图像进行预处理；所述预处理的方法具体为：

(1)掌纹图像的二值化：对分割后的掌纹图像进行二值化，即手掌部分取0(黑)，背景部分取1(白)，可以得到完整的手掌型，如图5-1所示。

(2)边缘提取：对二值化后的掌纹图像边缘提取就是掏空手掌内部的点。其基本思想为：若图像中一点为黑，且它的8个邻域点都是黑色时，说明该点是内部点，将该点删除(置为白色)，否则，则为边界点，记录其位置。对图像中所有像素点执行该操作便可完成掌纹图像边界的提取(图5-2所示)。

(3)确定角点：用曲线拟合的方法在掌纹图像的边缘线上找出感兴趣的角点A、B、C(图5-3)，其中A为无名指与小指之间的交点，B为食指与中指之间的交点，C是A、B连线的中点。

(4)定位与归一化：将C点移动到掌纹图像的中点O，使之与O点重合，O通常设为坐标原点(如图7-3所示)，以O为中心旋转掌纹图像，将AB转到竖直方向(竖直方向设置为y轴)，通过移动和旋转之后，所使用的掌纹图像AB连线均以竖直方向定位于同一位置上，在手掌中心同一区域处切割出一块大小均为128×128的子图像来代表整个掌纹图像(如图5-4)，即可完成掌纹图像的定位归一化。

A3：提取预处理后的掌纹图像的特征向量；

A4：根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配，匹配一致则发出开锁指令，匹配不一致则不发出所述开锁指令，无论匹配是否一致，都将开锁时间和用户信息存储在所述存储模块。

优选的，所述步骤A2对所述掌纹图像进行二值化、定位、归一化、滤波、细化处理。

优选的，所述步骤A3采用小波变换来提取掌纹图像特征向量。

优选的，采用Daubechies和Symlet正交小波变换来提取掌纹图像特征向量。

优选的，所述掌纹图像特征提取模块对一幅掌纹图像进行4级的二维小波分解。

实施例2

本实施例提供一种掌纹图像预处理方法。

预处理是掌纹自动识别过程的第一步，它的好坏直接影响着掌纹识别的效果。常用的预处理方法主要包括掌纹图像的二值化、定位(旋转和平移)、归一化、滤波、细化等。

用一个基于CCD的设备进行掌纹图像采集。为了减少采集过程中由于平移、旋转、扭曲引起的误差与失真，在采集掌纹图像时，应尽量使手掌的每根手指张开，这样可以提取手指边缘，并用其来对准和归一化掌纹图像。经过处理后，每个掌纹块大小均为128×128(如图2(a)所示)，并且偏移和旋转已基本上被消除，从而有利于掌纹图像的识别。

实施例3

本实施例提供一种掌纹图像特征提取方法——小波特征提取。

掌纹图像是一种近似的纹理性周期图案，其中主线是手掌上最深最粗的几条线，大多数手掌上有三条主线；除了主线外，手掌上还有很多褶线，一般来说这些线要比主线细、浅，并且很不规则。掌纹图像中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。针对掌纹图像的特点，我们经过多种特征提取的方法实验，发现因为小波变换具有多通道、多分辨率的功能，因此用一种基于小波变换的方法提取掌纹图像的特征，进而进行识别不仅节省了图像预处理的时间，而且识别的鲁棒性也较高。

小波变换理论是Fourier分析理论的进一步发展，是人们对于信号特性深层次认识的需要。小波变换提供了一个可调的时间-频率窗，伸缩的结果就是我们可以在不同的分辨率下分解信号，平移的结果就是我们可以把这组信号作为窗，来观察自己关心的部分。

定义：如果函数Ψ(x)满足允许小波条件，

$C_{\mathrm{\&psi;}}={\&Integral;}_{-\&infin;}^{\&infin;}({\left|\widehat{\mathrm{\&psi;}}\left(\mathrm{\&omega;}\right)\right|}^2/\mathrm{\&omega;})\mathrm{d\&omega;}<\&infin;$

那么Ψ(x)叫做可允许小波(积分小波，基小波)。其中

是Ψ(t)的傅立叶变换。

由基小波生成的小波函数系可表示为：

${\mathrm{\&psi;}}_{b,a}\left(t\right)={\left|\frac{1}{a}\right|}^{\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-b}{a}\right)$

则函数f(x)的小波变换定义为

$\left(W_{\mathrm{\&psi;}}f\right)(b,a)={\left|a\right|}^{-1/2}{\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&psi;}}\left(\frac{t-b}{a}\right)\mathrm{dt}$

小波函数Ψ(t)时间窗的中心与窗宽分别用t*与ΔΨ给出，频率窗分别由ω*和

给出，设定

${\mathrm{\&psi;}}_{b,a}\left(t\right)={\left|\frac{1}{a}\right|}^{\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-b}{a}\right)$

则小波的时间窗为[b+at^*-aΔ_Ψ，b+at^*+aΔ_Ψ]，时间窗的宽度为2aΔ_Ψ，频率窗为频率窗的宽度为

由此可见，对于检测信号的高频部分，时间窗会变窄，频率窗会变宽；对于检测信号的低频部分，时间窗会变宽，频率窗会变窄。因此，通过小波变换可以很好地反映信号的时-频局部特性。将信号在这个函数系上做分解，就得到了连续小波变换的定义。

本实施例采用小波变换来提取掌纹图像特征，对原始定位与归一化后的掌纹图像进行J阶的二维双正交小波分解，每级的分解如图1所示。

如图2所示，对一幅掌纹图像进行4级的二维小波分解。图2的分解结果中：右上角第1块是cH₁，右下角第1块是cD₁，左下角第1块是cV₁，其他依次类推。至此，得到了3J+1幅子图像。掌纹图像中的纹线方向和空间频率这两种信息可以很好地被提取到小波分解后的3J幅子图像{cH_k，cV_k，cD_k}中去。对每一幅子图像求归一化的2范数，从而得到长度为3J的特征向量

$\left\{{[{f_k}^H,{f_k}^V,{f_k}^D]}_{k=1,...,J}\right\},$

其中k＝1，…，J

求得的长度为3J的特征向量可以理解为掌纹图像在不同比例因子(2^k)条件下和不同方向(H，V，D)上的大概能量分布。取3个不同手掌，每个手掌采集了12个图像样本，样本间存在一定的位移和角度差异，图3是每个手掌12个样本中的一个。对这36个样本，求得3个长度为12的特征向量，并把同一手掌的12个掌纹样本的特征向量在一幅图中绘制成曲线图，如图3所示。从图3中可以看出，特征向量存在着明显的差异性(不同手掌)和足够的稳定性(相同手掌的不同样本)。

所用的掌纹图像数据库一共有20个不同手掌的掌纹，每个手掌有12个样本，一共是240个掌纹图像。掌纹图像是大小为128×128像素的256级灰度图像，由掌纹图像采集模块采集得到。在不同的小波和分解级数(J)条件下进行了实验，发现效果最好的是Daubechies和Symlet正交小波，分解级数最好为4级。

实施例4

本实施例提供项目测试，项目测试中，完成了5人50幅(每人10幅)掌纹图像的学习训练，然后输入200个图像进行识别，库中5人每人20幅，随机选取的陌生人掌纹图像100幅，识别结果见表1。

表1测试结果

由表1可见，项目中采用的正交小波都得到了很高的分类正确率。在对错误分类的样本进行分析时，发现这些样本都是由于采集时手掌和采集器挤压过度，造成纹线过于变形或变密，从而改变了掌纹纹线的方向和空间频率特征。

测试结果表明，小波变换的识别算法是非常有效的。同时，本发明提出的无钥保险柜系统，若能进一步产品化，完全可以作为当前保险柜系统的更新换代产品。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

1.一种带有掌纹识别系统的保险柜的控制方法，其特征在于，包括以下步骤：

A1：采集掌纹图像；

A2：对所述掌纹图像进行预处理；所述预处理的方法具体为：

A21、掌纹图像的二值化：对分割后的掌纹图像进行二值化，即手掌部分取0，背景部分取1，可以得到完整的手掌型；

A22、边缘提取：对二值化后的掌纹图像边缘提取，就是掏空手掌内部的点；其基本思想为：若图像中一点为黑，且它的8个邻域点都是黑色时，说明该点是内部点，将该点删除，即置为白色，否则，则为边界点，记录其位置；对图像中所有像素点执行该操作便可完成掌纹图像边界的提取；

A23、确定角点：用曲线拟合的方法在掌纹图像的边缘线上找出感兴趣的角点A、B、C，其中A为无名指与小指之间的交点，B为食指与中指之间的交点，C是A、B连线的中点；

A24、定位与归一化：将C点移动到掌纹图像的中点O，使之与O点重合，O通常设为坐标原点，以O为中心旋转掌纹图像，将AB转到竖直方向，通过移动和旋转之后，所使用的掌纹图像AB连线均以竖直方向定位于同一位置上，在手掌中心同一区域处切割出一块大小均为128×128的子图像来代表整个掌纹图像，即可完成掌纹图像的定位归一化；

A3：提取预处理后的掌纹图像的特征向量；对一幅掌纹图像进行4级的二维小波分解；右上角第1块是cH₁，右下角第1块是cD₁，左下角第1块是cV₁，其他依次类推；至此，得到了3J+1幅子图像；掌纹图像中的纹线方向和空间频率这两种信息可以很好地被提取到小波分解后的3J幅子图像{cH_k，cV_k，cD_k}中去；对每一幅子图像求归一化的2范数，从而得到长度为3J的特征向量

{[f_k ^H，f_k ^V，f_k ^D]k=1，...，J}，

其中 $\left\{\begin{array}{c}{f_k}^H={\left|\right|c{H}_k\left|\right|}_2/\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}({\left|\right|c{H}_j\left|\right|}_2+{\left|\right|c{V}_j\left|\right|}_2+{\left|\right|c{D}_j\left|\right|}_2)\\ {f_k}^V={\left|\right|c{V}_k\left|\right|}_2/\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}({\left|\right|c{H}_j\left|\right|}_2+{\left|\right|c{V}_j\left|\right|}_2+{\left|\right|c{D}_j\left|\right|}_2)\\ {f_k}^D={\left|\right|c{D}_k\left|\right|}_2/\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}({\left|\right|c{H}_j\left|\right|}_2+{\left|\right|c{V}_j\left|\right|}_2+{\left|\right|c{D}_j\left|\right|}_2)\end{array}\right.$ k=1，...，J

求得的长度为3J的特征向量，可以理解为掌纹图像在不同比例因子条件下和不同方向上的大概能量分布；取3个不同手掌，每个手掌采集了12个图像样本，对这36个样本，求得3个长度为12的特征向量，并把同一手掌的12个掌纹样本的特征向量在一幅图中绘制成曲线图；

A4：根据提取到的特征向量与预存储的授权用户掌纹特征向量匹配，匹配一致则发出开锁指令，匹配不一致则不发出所述开锁指令，无论匹配是否一致，都将开锁时间和用户信息存储在存储模块。

Images