CN104778449A - 一种应用于物联网身份鉴别的掌纹特征提取与匹配方法 - Google Patents

Abstract

本发明涉及一种应用于物联网身份鉴别的掌纹特征提取与匹配方法，该方法对掌纹图像进行多尺度小波变换，获得小波子图，然后选取二尺度以上变换的前J级小波子图进行图像掌纹特征的提取，在提取获得图像掌纹特征之后，计算图像掌纹特征与目标掌纹特征之间的相似度，并根据相似度进行匹配判断。本发明提供的掌纹特征提取与匹配方法，选取变换尺度大的小波子图进行图像掌纹特征的提取，因此可以去掉与图像掌纹特征无关的皮纹信息，在减少处理过程的数据量和缩短处理时间的同时，能有效地提高识别的准确率，同时在构造特征向量时，采用的是计算小波子图小块的灰度平均值的方法，计算过程简单，并且在特征表达能力和噪声敏感度方面有较大的优越性。

Description

一种应用于物联网身份鉴别的掌纹特征提取与匹配方法

技术领域

本发明涉及身份鉴别领域，更具体地，涉及一种应用于物联网身份鉴别的掌纹特征提取与匹配方法。

背景技术

随着社会的日益进步，人们对生活的舒适性提出了更高的要求，这促使了物联网的飞速发展，Internet、RF、WIFI、Zigbee等越来越多的通信技术被应用到物联网中，使得物联网的适用范围不断地得到扩展。

但是这些技术手段也给物联网的安全带来隐患，譬如，在第三方获知用户账号密码的情况下，用户的账号容易被人冒用。为了避免此种情况，用户在输入账号密码之后，常常需要通过提取掌纹特征进行掌纹鉴别。

掌纹鉴别的原理是利用人的掌部纹理作为生物特征进行鉴别。由于每个人的掌纹形态均不相同且所提供的信息量较指纹丰富，因此利用掌纹的线特征、点特征、纹理特征完全可以确定人的身份。由于掌纹的主要特征明显，可在低分辨率图像中提取，在不易受噪声干扰的同时其特征空间小，可实现快速检索和匹配。同时掌纹的区域比较大，信息量丰富，因此少量的磨损和局部的变化几乎不会对整体的识别效果产生很大的影响。

掌纹特征的提取与匹配是掌纹鉴别过程最重要的环节，其实现算法的好坏直接影响掌纹鉴别的准确率，而作为整个掌纹鉴别过程的一部分，在进行掌纹特征提取与匹配的时候，其实现算法也应对数据的处理量、处理时间、计算复杂程度等方面进行考虑，以提高算法效率。

发明内容

本发明提供了一种应用于物联网身份鉴别的掌纹特征提取与匹配方法，该方法选取二尺度以上变换的前j级小波子图进行图像掌纹特征的提取，因此可以去掉与图像掌纹特征无关的皮纹信息，在减少处理过程的数据量和缩短处理时间的同时，能有效地提高识别的准确率。

为实现以上发明目的，采用的技术方案是：

一种应用于物联网身份鉴别的掌纹特征提取与匹配方法，对掌纹图像进行多尺度小波变换，获得小波子图，然后选取二尺度以上变换的前j级小波子图进行图像掌纹特征的提取，在提取获得图像掌纹特征之后，计算图像掌纹特征与目标掌纹特征之间的相似度，并根据相似度进行匹配判断。

掌纹包括三种纹线结构，分别为屈肌纹、皱褶和皮纹，掌纹特征的表示应以屈肌纹和皱褶的信息为主，因此在处理过程中应该尽量去掉皮纹的信息。通过分析可知，在多尺度小波变换中，屈肌纹和皱褶的信息主要集中在大尺度的小波子图中，而皮纹信息则主要集中在小尺度的小波子图中。因此在对掌纹图像进行多尺度小波变换，选取尺度较大的前j级小波子图上进行图像掌纹特征的提取，可以有效去掉皮纹信息。

优选地，每级小波变换获得4幅小波子图，分别为CA、CH、CV、CD，其中CA为低频分量，CH、CV、CD分别为在水平方向、垂直方向、对角方向上的高频分量，前j级变换共获得4j幅小波子图进行图像掌纹特征的提取。

优选地，对小波子图进行掌纹特征提取的过程具体如下：

将小波子图等分为n×n小块，计算各个小块的灰度均值，然后把各个小块的灰度均值按行排列，构成小波子图的特征向量；再对4j幅小波子图的特征向量进行融合，获得图像掌纹特征。

优选地，融合特征向量获得图像掌纹特征的过程具体如下：

令第j级变换获得的4幅小波子图的特征向量分别表示为β_j1,β_j2,β_j3,β_j4，β_j1,β_j2,β_j3,β_j4融合为第j尺度下的掌纹特征，表示为γ_j＝{β_j1,β_j2,β_j3,β_j4}，前j级小波子图的特征向量融合构成图像掌纹特征，表示为P＝{γ₁,γ₂,......,γ_j}，图像掌纹特征的维数为4jn²。

优选地，采用欧几里得距离计算图像掌纹特征与目标掌纹特征之间的相似度，欧几里得距离的公式表示如下：

$d(P_A,P_B)={\left|\right|P_A-P_B\left|\right|}_2={\left[\underset{k=1}{\overset{4{\mathrm{jn}}^2}{\mathrm{\Σ}}}{|p_{\mathrm{Ak}}-p_{\mathrm{Bk}}|}^2\right]}^{1/2}$

计算出相似度后，采用最近邻原则进行匹配判断，具体如下：

$d(P_{i^{*}}^{c^{*}},P_{\mathrm{test}})=\underset{1\≤c\≤L}{\min }\underset{1\≤i\≤N_c}{\min }d(P_i^c,P_{\mathrm{test}})$

其中P_test为图像掌纹特征，为目标掌纹特征第c类的第i个样本，L为类别数，N_c为每类样本的数目，其中P_test被判定为属于c^*类。

优选地，由于每个小波子图的灰度均值具有不同的动态范围，特征向量的模值具有不同的数量级，为了使每一幅小波子图的特征向量具有相同的权重，在融合特征向量之前，需要对特征向量进行归一化处理，具体如下：

${\mathrm{\β}}_i=\frac{{\mathrm{\α}}_i-{\mathrm{\α}}_{\min }}{{\mathrm{\α}}_{\max }-{\mathrm{\α}}_{\min }},(i=1.2.....n^2)$

其中α_i、α_min、α_max均为特征向量的分量，β_i为经过归一化处理的特征向量分量。

与现有技术相比，本发明的有益效果是：

本发明提供的掌纹特征提取与匹配方法，选取变换尺度大的小波子图进行图像掌纹特征的提取，因此可以去掉与图像掌纹特征无关的皮纹信息，在减少处理过程的数据量和缩短处理时间的同时，能有效地提高识别的准确率，同时在构造特征向量时，采用的是计算小波子图小块的灰度平均值的方法，计算过程简单，并且在特征表达能力和噪声敏感度方面有较大的优越性。

附图说明

图1为一级小波变换的频率分布图。

图2为二级小波变换的频率分布图。

图3为掌纹图像经二级小波变换后获得的小波子图。

图4为小波子图分块示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

在对掌纹特征提取与匹配方法进行具体的说明之前，本实施例首先对图像二维小波变换的过程做具体介绍。

假设二维空间V_j(x₁,x₂)是可分离的，是空间L²(R)中的多分辨率分析，则可以证明{V_j}_j∈z构成L²(R²)的多分辨率分析。若的尺度函数为φ，生成的正交小波为ψ，则{V_j}_j∈z的尺度函数为

φ(x₁,x₂)＝φ(x₁)φ(x₂)

生成的小波子图分别为

ψ^h(x₁,x₂)＝ψ(x₁)φ(x₂)

ψ^v(x₁,x₂)＝φ(x₁)ψ(x₂)

ψ^d(x₁,x₂)＝ψ(x₁)ψ(x₂)

图像的j级小波变换可以表示为：

$A_{j}f(x_1,x_2)={(<f(x_1,x_2),{\mathrm{\&phi;}}_{{\mathrm{jk}}_1}\left(x_1\right){\mathrm{\&phi;}}_{{\mathrm{jk}}_2}\left(x_2\right)>)}_{k_1,k_2\&Element;z}$

$D_j^{h}f(x_1,x_2)={(<f(x_1,x_2),{\mathrm{\&psi;}}_{{\mathrm{jk}}_1}\left(x_1\right){\mathrm{\&phi;}}_{{\mathrm{jk}}_2}\left(x_2\right)>)}_{k_1,k_2\&Element;z}$

$D_j^{v}f(x_1,x_2)={(<f(x_1,x_2),{\mathrm{\&phi;}}_{{\mathrm{jk}}_1}\left(x_1\right){\mathrm{\&psi;}}_{{\mathrm{jk}}_2}\left(x_2\right)>)}_{k_1,k_2\&Element;z}$

$D_j^{d}f(x_1,x_2)={(<f(x_1,x_2){\mathrm{\&psi;}}_{{\mathrm{jk}}_1}\left(x_1\right){\mathrm{\&psi;}}_{{\mathrm{jk}}_2}\left(x_2\right)>)}_{k_1,k_2\&Element;z}$

图像经j级小波变换后，可得到一系列不同分辨率的小波子图。图1为图像的一级变换。其中左上角LL是图像的低频平滑逼近A_jf(x₁,x₂)，另外三幅子图是三个方向上的高频细节信号：HL是图像在水平方向上的高频细节信号LH是图像在垂直方向上的高频细节信号HH是图像在对角方向上的高频细节信号可以对平滑逼近子图像LL1重复进行小波变换，得到j级变换。如图2所示。

图像的变换算法可以理解为：首先，将图像A_j-1f(x₁,x₂)与一个一维滤波器进行卷积，再进行列抽取，保留偶数列；然后将所得的图像与另一个一维滤波器进行列卷积，再进行行抽取，保留偶数行。图像的重构是分解的逆过程，其算法可以理解为：首先，在图像A_jf(x₁,x₂)，的奇数行插入0，之后与一个一维滤波器进行列卷积；然后在奇数列插入0，之后再与另一个一维滤波器进行行卷积，就可以得到图像A_j-1f(x₁,x₂)。通过重复这种运算，就可以由小波变换重建图像A₀f(x₁,x₂)。

在对图像二维小波变换进行充分的说明之后，再对本发明的掌纹特征提取与匹配方法进行叙述。

掌纹信息包含在它的三种纹线结构之中，三种纹线分别属于不同的分辨率，其中，屈肌纹(主线)属于低分辨率，皱褶属于中分辨率，皮纹属于高分辨率。屈肌纹特征稳定，区分性最好，皱褶次之，皮纹最不稳定，易受光线和随机噪声影响，因此，图像掌纹特征的表示应以屈肌纹和皱褶的信息为主，皮纹的信息应该尽可能去掉。分析可知，在多尺度小波变换中，屈肌纹和皱褶的信息应主要集中在大尺度的小波子图中，而皮纹信息则主要集中在小尺度的小波子图中。因此对掌纹图像进行多尺度小波变换，再选取二尺度以上变换的前j级小波子图进行图像掌纹特征的提取，所得到的图像掌纹特征具有稳定性，能够避免噪声和光线的影响。

对掌纹图像的中心子图进行j级的二维离散小波变换，每一级变换均得到4幅小波子图，可以表示为：{CA,CH,CV,CD}，其中，CA为低频分量，其它三个子小波子图分别为水平、垂直和对角方向上的高频分量，它们均反映了属于同一分辨率的纹线信息。经过j级变换后，获得j个尺度的共4j幅小波子图，图3给出了两级变换后的结果，其中图3(a)为原图像，图3(b)为一级变换的图像，图3(c)为二级变换的图像。

每幅小波子图均含有对应尺度下掌纹的某种全局信息，经过j级变换后，产生了多达4j幅小波子图，因此，必须用一种简单有效的方法来表示每幅小波子图的掌纹特征，然后把它们融合起来代表整个掌纹的特征。

矩函数表示的掌纹特征具有易于计算，并且在图像的平移、旋转和尺度变化时具有不变性，在特征表达能力和噪声敏感度方面具有较大的优越性。其中一阶原点矩，即图像的灰度平均值，计算过程最为简单。为了能够反映小波子图所表达的掌纹细节信息，首先把小波子图等分成n×n块，如图4所示。

每个小块的灰度均值为

${\mathrm{\&alpha;}}_i=\frac{1}{\mathrm{pq}}\underset{x=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{q}{\mathrm{\&Sigma;}}}h(x,y),(i=\mathrm{1,2},...,n^2)$

其中，α_i为小波子图中第i个小分块的灰度均值，pq为小块的像素总数，h(x,y)为像素的灰度值。

把各个小块的均值按行排列，构成小波子图的特征向量，即为

$\mathrm{\&alpha;}=({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_{n^2})$

由于每个小波子图的灰度均值具有不同的动态范围，特征向量的模值具有不同的数量级，为了使每一幅小波子图的特征向量具有相同的权重，在融合特征向量之前，需要对特征向量进行归一化处理，具体如下：

${\mathrm{\&beta;}}_i=\frac{{\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_{\min }}{{\mathrm{\&alpha;}}_{\max }-{\mathrm{\&alpha;}}_{\min }},(i=1.2.....n^2)$

其中α_i、α_min、α_max均为特征向量的分量，β_i为经过归一化处理的特征向量分量。

令第j级变换获得的4幅小波子图的特征向量经过归一化处理后分别表示为β_j1,β_j2,β_j3,β_j4，β_j1,β_j2,β_j3,β_j4融合为第j尺度下的掌纹特征，表示为γ_j＝{β_j1,β_j2,β_j3,β_j4}，所有j级小波子图的特征向量融合构成图像掌纹特征，表示为P＝{γ₁,γ₂,......,γ_j}，图像掌纹特征的维数为4jn²。

在获得图像掌纹特征之后，采用欧几里得距离计算图像掌纹特征与目标掌纹特征之间的相似度，欧几里得距离的公式表示如下：

$d(P_A,P_B)={\left|\right|P_A-P_B\left|\right|}_2={\left[\underset{k=1}{\overset{4{\mathrm{jn}}^2}{\mathrm{\&Sigma;}}}{|p_{\mathrm{Ak}}-p_{\mathrm{Bk}}|}^2\right]}^{1/2}$

计算出相似度后，采用最近邻原则进行匹配判断，具体如下：

$d(P_{i^{*}}^{c^{*}},P_{\mathrm{test}})=\underset{1\&le;c\&le;L}{\min }\underset{1\&le;i\&le;N_c}{\min }d(P_i^c,P_{\mathrm{test}})$

其中P_test为图像掌纹特征，为目标掌纹特征第c类的第i个样本，L为总类别数，N_c为每类样本的总数，P_test被判定为属于c^*类。

本发明提供的掌纹特征提取与匹配方法，选取变换尺度大的小波子图进行图像掌纹特征的提取，因此可以去掉与图像掌纹特征无关的皮纹信息，在减少处理过程的数据量和缩短处理时间的同时，能有效地提高识别的准确率，同时在构造特征向量时，采用的是计算小波子图小块的灰度平均值的方法，计算过程简单，并且在特征表达能力和噪声敏感度方面有较大的优越性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：对掌纹图像进行多尺度小波变换，获得小波子图，然后选取二尺度以上变换的前j级小波子图进行图像掌纹特征的提取，在提取获得图像掌纹特征之后，计算图像掌纹特征与目标掌纹特征之间的相似度，并根据相似度进行匹配判断。

2.根据权利要求1所述的应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：每级小波变换获得4幅小波子图，分别为CA、CH、CV、CD，其中CA为低频分量，CH、CV、CD分别为在水平方向、垂直方向、对角方向上的高频分量，前j级变换共获得4j幅小波子图进行图像掌纹特征的提取。

3.根据权利要求2所述的应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：对小波子图进行掌纹特征提取的过程具体如下：

将小波子图等分为n×n小块，计算各个小块的灰度均值，然后把各个小块的灰度均值按行排列，构成小波子图的特征向量；再对4j幅小波子图的特征向量进行融合，获得图像掌纹特征。

4.根据权利要求3所述的应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：融合特征向量获得图像掌纹特征的过程具体如下：

令第j级变换获得的4幅小波子图的特征向量分别表示为β_j1,β_j2,β_j3,β_j4，β_j1,β_j2,β_j3,β_j4融合为第j尺度下的掌纹特征，表示为γ_j＝{β_j1,β_j2,β_j3,β_j4}，前j级小波子图的特征向量融合构成图像掌纹特征，表示为P＝{γ₁,γ₂,......,γ_j}，图像掌纹特征的维数为4jn²。

5.根据权利要求4所述的应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：采用欧几里得距离计算图像掌纹特征与目标掌纹特征之间的相似度，欧几里得距离的公式表示如下：

$d(P_A,P_B)={\left|\right|P_A-P_B\left|\right|}_2={\left[\underset{k=1}{\overset{4j{n}^2}{\mathrm{\&Sigma;}}}{|p_{\mathrm{Ak}}-p_{\mathrm{Bk}}|}^2\right]}^{1/2}$

计算出相似度后，采用最近邻原则进行匹配判断，具体如下：

$d(P_{i^{*}}^{c^{*}},P_{\mathrm{test}})=\underset{1\&le;c\&le;L}{\min }\underset{1\&le;i\&le;N_c}{\min }d(P_i^c,P_{\mathrm{test}})$

其中P_test为图像掌纹特征，为目标掌纹特征第c类的第i个样本，L为类别数，N_c为每类样本的数目，其中P_test被判定为属于c^*类。

6.根据权利要求3～5任一项所述的应用于物联网身份鉴别的掌纹特征提取与匹配方法，其特征在于：在融合特征向量之前，需要对特征向量进行归一化处理，具体如下：

${\mathrm{\&beta;}}_i=\frac{{\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_{\min }}{{\mathrm{\&alpha;}}_{\max }-{\mathrm{\&alpha;}}_{\min }}(i=\mathrm{1,2},...,n^2)$

其中α_i、α_min、α_max均为特征向量的分量，β_i为经过归一化处理的特征向量分量。