基于独立匹配分数层融合的高精度掌纹识别算法

摘要

本发明公开了一种基于独立匹配分数层融合的高精度掌纹识别方法。首先本发明提出了一种新的基于移动差影法的掌纹图像预处理方法，用这种新的预处理方法对掌纹图像进行定位分割，加快了掌纹图像预处理速度；接着采用Gabor滤波器对掌纹图像进行间隔滤波，将滤波和下采样两步骤合为一步骤，直接对采样点进行滤波，大大降低了特征提取时间。在匹配识别阶段，每个方向的掌纹纹理信息进行单独的汉明匹配，解决了多个方向纹理特征因不同滤波器而带来的位置偏移问题。在匹配分数层采用和平均的策略进行融合，最大程度的保留和利用了纹理特征的相位和方向信息。本发明大大加快了掌纹图像预处理和纹理特征提取的速度，并且在很大程度上提高了掌纹身份认证的识别精度。

主权项

1、一种基于独立匹配分数层融合的高精度掌纹识别算法，包括以下步骤：a、基于移动差影法的掌纹图像预处理：对采集到的掌纹图像切取出包含中指和食指、无名指和小指之间两个角点的掌纹图像，再对切取出的掌纹图像进行中值滤波及二值化处理；将二值化后的掌纹图像分别向前、向上、向下平移30个像素，并分别对平移后空出的图像后部、下部、上部分别填充值为0的像素，得到三个平移后的图像；将三个平移后的图像分别与二值化后的掌纹图像相减，令值小于等于0的像素值为零、其余像素的值为255，得到三个差影图像；对三个差影图像进行与操作，得到包含中指和食指、无名指和小指之间两个角点及两个角点附近的空隙的图像，从中找出两个角点的坐标，再以两个角点的中点作为原点O，以两角点的连线作为纵坐标t，建立新坐标系O(q，t)；在新坐标系O(q，t)中对采集到的掌纹图像，沿着横坐标q，在离原点O95像素点的位置(95，0)为中心切割出大小为128×128，横边与横坐标平行的距形掌纹图像I(q，t)，q＝1、2、3...128，t＝1、2、3...128；b、基于间隔滤波的纹理特征快速提取：采用直流化Gabor滤波器G(x，y，u，σ，θk)对a步的128×128的距形掌纹图像I(q，t)进行四个方向的间隔为4的滤波，得到32×32维的四个方向的掌纹纹理特征IG(q′，t′，θk)：$I_{\bar{G}}(q^{\prime },t^{\prime },{\theta }_k)=\underset{x=-n}{\overset{x=n}{\Sigma }}\underset{y=-n}{\overset{y=n}{\Sigma }}\bar{G}(x,y,u,\sigma ,{\theta }_k)\times I({4q}^{\prime }+x,{4t}^{\prime }+y).$其中q′＝1、2、3...32，t′＝1、2、3...32，4q′+x＝q，4t′+y＝t；x、y为滤波器的坐标，u为滤波器函数的频率，σ是二维Gabor滤波器的标准方差，θk为二维Gabor滤波器的方向，k＝1、2、3、4，n为滤波器的坐标x、y取值的绝对值的最大值；c、基于独立汉明匹配分数融合的掌纹认证：对于采集到的两个掌纹图像分别进行a～c步的操作，得到两个掌纹图像的四个方向的掌纹纹理特征IG1(q′，t′，θk)和IG2(q′，t′，θk)；对两个掌纹图像相同方向的掌纹纹理特征计算汉明距离D0(θk)：$D_0\left({\theta }_k\right)=\frac{\underset{q^{\prime }=1}{\overset{q^{\prime }=32}{\Sigma }}\underset{t^{\prime }=1}{\overset{t^{\prime }=32}{\Sigma }}I\frac{1}{\mathrm{GR}}(q^{\prime },t^{\prime },{\theta }_k)\otimes I\frac{2}{\mathrm{GR}}(q^{\prime },t^{\prime },{\theta }_k)+I\frac{1}{\mathrm{GI}}(q^{\prime },t^{\prime },{\theta }_k)\otimes I\frac{2}{\mathrm{GI}}(q^{\prime },t^{\prime },{\theta }_k)}{2\times 32\times 32}$其中，IGR1(q′，t′，θk)和IGR2(q′，t′，θk)分别表示两个掌纹纹理特征的实部，IGI1(q′，t′，θk)和IGI2(q′，t′，θk)分别表示两个掌纹纹理特征的虚部；再使用“和平均”的策略在匹配分数层进行融合，从而得到系统最终的融合匹配分数D0：D0＝(D0(θ1)+D0(θ2)+D0(θ3)+D0(θ4))/4，如果融合匹配分数D0小于设定的门限值Dt判定两个掌纹图像匹配，否则判定两个掌纹图像不匹配。