在線單機采集的人手多生物特征識別

桑海峰，黃 靜

（沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽 110870）

安全可靠的個人身份認證是避免和抑制公共安全事件發(fā)生的一個重要環(huán)節(jié).基于人體生物特征的身份識別技術(shù)給我們提供了一種解決上述問題的絕佳方案［1－2］.現(xiàn)有的研究和實際應(yīng)用表明，生物特征識別技術(shù)已經(jīng)在一些特定的或具體的領(lǐng)域得到了使用，并且因為其各自獨特的生物特性，在某些方面甚至表現(xiàn)出極其出色的性能［3－4］.但是，這些基于單一生物特征的身份識別在實際應(yīng)用中都面臨現(xiàn)實的問題，使得各種生物特征識別技術(shù)的優(yōu)點和缺點同樣突出.多生物特征識別成為研究者為了解決在生物特征識別研究中遇到的困難以及在推向?qū)嶋H應(yīng)用的過程中面臨的問題和需要而作出的自然的選擇［5］.

多生物特征識別系統(tǒng)往往需要為不同的特征配備不同的采集設(shè)備，而信息獲取過程是否方便快速將影響身份認證設(shè)備的應(yīng)用.指紋信息獲取方式比較方便，但許多國家為了提高指紋信息的唯一性，越來越多地采用10個手指的指紋信息，使得采集過程變得既不方便也不快捷.

本文以手形和掌紋信息來構(gòu)造多生物特征識別系統(tǒng)，采用非接觸定焦攝像機成像方式.另外，由于采集過程是非接觸的，因此被測試者會感覺到衛(wèi)生、舒適，而且手掌不會因為接觸到采集平面而發(fā)生變形［6－7］.

1 識別系統(tǒng)

圖1 識別系統(tǒng)的流程圖Fig.1 Diagram of recognition system

本文提出一種手形結(jié)合掌紋的身份認證系統(tǒng)（見圖1）.該系統(tǒng)采用非接觸式采集方式，人手只需自然張開并放在攝像頭前一定范圍內(nèi)即可.提出一種通過關(guān)鍵點定位來提取手形和掌紋特征的方法.對于手形，采用k近鄰分類器和支持向量機分類器相結(jié)合實現(xiàn)個人身份的識別，再利用掌紋特征對手形分類結(jié)果加以認證，實現(xiàn)了手形和掌紋相結(jié)合的組合識別.該算法運行于白天辦公工作環(huán)境下即可.

1.1 圖像采集與預(yù)處理

本文采用單一背景的非接觸方式進行手圖像采集，所采集的彩色圖像直接進行了灰度化處理.效果如圖2所示.要進一步進行圖像特征提取，首先要進行圖像預(yù)處理，由于采用了單一背景圖像采集，因此直接采用全局直方圖閾值法進行圖像二值化，即通過統(tǒng)計全圖的直方圖來活動二值化的分割閾值［8］，并通過中值濾波對手形邊緣加以平滑來過濾掉圖像噪聲.該方法是對整個圖像進行逐點遍歷，使用的是窗口模板.模板窗口將所有像素的圖像的像素值進行排序，其中間值作為核心像素，此產(chǎn)生的新的圖像就是中值濾波后得到的圖像［9］.圖3為預(yù)處理后的效果圖.

圖2 采集的原始圖Fig.2 The original image

圖3 二值化后的圖像Fig.3 Binarized image

1.2 關(guān)鍵點定位

由于手圖像在整個圖像中的位置并不固定，因此，要想提取手形和掌紋特征，首先要找到定位基準(zhǔn)，文中所要定位的關(guān)鍵點為食指、中指、無名指和小指的指尖點（T1，T2，T3，T4）及它們的指根點（C1，C2，C3），如圖4a所示.具體定位過程如下.

（1）手形輪廓跟蹤.在處理后的二值圖像上，找到右上端手邊界點作為起始點，按逆時針方向進行輪廓跟蹤，記錄輪廓邊界點的坐標(biāo).

（2）關(guān)鍵點區(qū)域定位.以輪廓點為中心，生成半徑為9像素的模板圓，計算模板圓內(nèi)像素個數(shù)N（即手掌部分在模板圓內(nèi)的面積）來定位指尖點、指根點的區(qū)域.N值的大小由具體的實驗確定.此過程會將手指上和手腕附近一些區(qū)域也定位進來，為此可以采用如圖4d所示計算曲率的辦法加以排除.公式為

通過曲率的方法，排除非關(guān)鍵點的干擾，得到較為準(zhǔn)確的指尖點和指根點的鏈碼區(qū)域，如圖4b和圖4c所示.

（3）關(guān)鍵點定位.選擇每個定位區(qū)域的中間點作為關(guān)鍵點，記錄3個指根點、4個指尖點在輪廓鏈碼中的位置以及在圖像中的坐標(biāo).如圖4a所示.

1.3 手形特征的提取

圖4 指尖點和指根點的定位過程Fig.4 The location process of fingertips points and finger root points

由于采用非接觸方式進行圖像采集，手的絕對大小是不固定的，因此，本文采用手指相對長度作為手形特征.具體提取過程如下.

（1）以中指和無名指之間的指根點C2為例.分別沿C2點沿手形輪廓向前、向后各掃描若干像素點，定義最外的兩個點分別為C21和C22，連接點C2和C21，C2和C22（圖5a）， 在點C2和C21之間的手形輪廓上，尋找距離線段C2C21最遠的點V2D；在點C2和C22之間的手形輪廓上，尋找距離線段C2C22最遠的點V3U.指根點C1，C3處進行相同的操作，從而得到指根點ViU（i＝2，3，4），ViD（i＝1，2，3）.

圖5 手形特征點定位及特征選取過程Fig.5 Hand feature location and feature selection process

（2）定位食指和小指的外邊界指根點.以食指為例，連接點T1和C1，以T1為圓心、｜T1C1｜為半徑沿逆時針方向畫圓，與手形輪廓的第一個交點即為食指的外邊界點V1U（如圖5b所示）.小拇指進行類似的處理，得到外邊界點V4D.從而尋找到了四指的指尖點（T1，T2，T3，T4）和指根點ViU，ViD（i＝1，2，3，4）（如圖5c所示）.

（3）連接每個手指的兩側(cè)指根點，例如食指的指根連線V1UV1D，計算該線段的中點坐標(biāo)N1，連接T1N1，中指、無名指、小指進行類似的處理.T1N1，T2N2，T3N3，T4N4為4個手指的絕對長度，如圖5d所示.然后計算各個手指絕對長度兩兩之間的相對長度（包括6個相對長度，即T1N1／T2N2，T1N1／T3N3，T1N1／T4N4，T2N2／T3N3，T2N2／T4N4，T3N3／T4N4），作為手形的特征向量，記為di（i＝1，2，…，6）.

1.4 掌紋特征的提取

要提取掌紋特征，首先要定位感興趣區(qū)域（ROI），其過程如下：

（1）連接已確定的指根點C1和C3，計算線段C1C3的長度，記為L，作出線段C1C3的垂直平分線，建立新的坐標(biāo)系；

（2）根據(jù)新坐標(biāo)系及原坐標(biāo)系之間的角度關(guān)系旋轉(zhuǎn)圖像；

（3）在旋轉(zhuǎn)后的圖像中，距離線段C1C3L／5處，以L為邊長截取方形區(qū)域；

（4）經(jīng)過縮放歸一化大小為128×128的圖像，即ROI區(qū)域，如圖6所示.

Gabor小波具有優(yōu)良的空間局部性、空間頻率及方向選擇性，能夠提取圖像局部區(qū)域的多尺度、多方向的顯著特征［10］.研究表明，Gabor變換最適合應(yīng)用于對皮膚一類紋理的分析［11］，并且從頻域中看掌紋紋理的頻率波動范圍并不大，因此，可利用Gabor變換的方法提取掌紋特征.

圖6 掌紋感興趣區(qū)域的截取Fig.6 Interception of the interested area of palmprint

本文選用4尺度6方向（5π／6，4π／6，3π／6，2π／6，π／6，0）組成的24個 Gabor濾波器對掌紋ROI區(qū)域圖像進行濾波，每幅圖像可以得到24個濾波器輸出，將它們疊在一起形成24×1的行向量.由于得到的向量維數(shù)比較大，為了提高計算效率，需要對Gabor變換后的結(jié)果進行降維，主成分分析（PCA）是一種行之有效的降維方法.PCA的目的是通過線性變換尋找一組最優(yōu)的單位正交向量基（即主分量），用它們的線性組合來重構(gòu)原樣本，并使重構(gòu)以后的樣本和原樣本的均方誤差最?。?2］.所以本文采用PCA對該向量進行降維，得到的結(jié)果作為掌紋特征.

2 實驗平臺

本文采用 MVC－II－3M型130萬像素攝像頭、單一顏色背景板構(gòu)成簡易非接觸式采集裝置，工作環(huán)境為白天室內(nèi)環(huán)境.拍攝圖像時，手掌自然張開，與鏡頭的表面平行即可.根據(jù)實驗需要，本文基于Matlab GUI設(shè)計了一套完整的在線識別模擬系統(tǒng)，其構(gòu)成包括手掌圖像采集及預(yù)處理模塊、特征提取模塊、特征匹配模塊.模擬系統(tǒng)工作界面如圖7所示.模擬系統(tǒng)工作在CPU主頻3.2 GHz，內(nèi)存2GB，Windows XP系統(tǒng)下.

為了模擬一定條件下的實際應(yīng)用環(huán)境，本文采用兩個實驗條件完全不同的圖庫進行混合.分別是實驗室自采圖庫和香港科技大學(xué)提供的手掌圖庫.

圖7 模擬系統(tǒng)工作界面Fig.7 Interface of simulation system

調(diào)節(jié)手與攝像頭的距離，使手掌圖像位于鏡頭的景深范圍之內(nèi)，此距離即為圖像采集位置.采集50人的右手手掌圖像，每人10幅，圖像分辨率為640×480，如圖8所示.在香港科技大學(xué)提供的手形數(shù)據(jù)庫中抽取70人，這樣就建立了一個120人的混合圖庫.

圖8 實驗室自采圖像Fig.8 Images collected by laboratory

3 實驗與分析

為了比較本文所提出的基于手形和掌紋的融合識別方法的優(yōu)越性，本文進行了一系列完整的實驗，將單獨手形識別、單獨掌紋識別和融合識別進行比較.

3.1 手形識別和掌紋識別

在每個人的10幅手掌圖像中，以任意5幅圖像作為訓(xùn)練樣本，其余5幅圖像作為測試樣本.

（1）應(yīng)用文中手形相對距離算法提取特征，采用歐式距離匹配，采用最近鄰分類方法分類.公式如式（2）所示.若待測者的手形特征向量與用戶注冊的手形特征向量的歐式距離Dt小于閾值T，則判斷為同一人的手，否則判斷為不同人的手.合法匹配與非法匹配距離分布曲線如圖9所示，等錯誤率曲線如圖10所示.兩圖的橫坐標(biāo)均為歸一化后的歐式距離.

圖9 手形距離分布曲線Fig.9 The hand distance distribution curve

圖10 手形等錯誤率曲線Fig.10 Equal error rate curve of hand shape

由實驗結(jié)果分析可知，利用手指的相對長度進行身份識別，平均匹配時間為0.054 4s，在等錯誤率的情況下識別率僅為82.98%.

（2）對于掌紋ROI圖像，采用2D－Gabor方向濾波的特征提取方法，采用漢明距離DH匹配實驗，采用最近鄰分類方法分類.P和Q分別表示兩個人的掌紋圖像經(jīng)2D－Gabor變換后提取的特征矩陣，其漢明距離計算公式如式（3）所示.式中，M為樣本個數(shù).合法匹配與非法匹配距離分布曲線如圖11所示，等錯誤率曲線如圖12所示.兩圖的橫坐標(biāo)均為歸一化后的歐式距離.

圖11 掌紋距離分布曲線Fig.11 The palmprint distance distribution curve

圖12 掌紋等錯誤率曲線Fig.12 Equal error rate curve of palmprint

由實驗結(jié)果分析可知，利用掌紋的2D－Gabor方法進行身份識別，在等錯誤率的情況下識別率可以達到98.96%，但平均匹配時間消耗較大.

3.2 手形和掌紋相結(jié)合的組合識別

提取手形特征后的關(guān)鍵問題是設(shè)計一種優(yōu)良的分類器，將待測樣本劃分到正確的類別中.將k近鄰分類器和支持向量機分類器相結(jié)合就實現(xiàn)了這一種高效的分類器.

k近鄰分類的基本思想是：在所有M個樣本中找到與測試樣本Y的k個近鄰，設(shè)k1，k2，…，kc分別是k個近鄰中屬于ω1，ω2，…，ωc類的樣本數(shù)，若kj（Y）＝max｛ki（X）｝（i＝1，2，…，c），則X∈ωj.

SVM是在統(tǒng)計學(xué)理論基礎(chǔ)上發(fā)展起來的結(jié)構(gòu)風(fēng)險最小化理論［13］.由于SVM算法是一個凸優(yōu)化問題，因此局部最優(yōu)解一定是全局最優(yōu)解.其基本思想是通過在原空間或經(jīng)投影后的高維空間中構(gòu)造最優(yōu)分類面，如圖13所示.

給定一組訓(xùn)練數(shù)據(jù) T＝｛（x1，y1），…，（xl，yl）｝∈（X×Y）l，其中，xi∈X?Rn，yi∈Y＝｛－1，1｝，i＝1，…，l.

超平面定義為

式中，φ是原始數(shù)據(jù)空間到高維特征空間的映射；b為偏差.則SVM的決策函數(shù)為

式中，α＊i，b＊為求解帶約束條件的二次規(guī)劃問題得到的系數(shù)；K（x·xi）為核函數(shù).

圖13 最優(yōu)分劃超平面Fig.13 Optimal partition hyperplane

由于手形的訓(xùn)練樣本在特征空間中沒有表現(xiàn)出良好的聚類，因此k近鄰分類器的分類性能較差，當(dāng)k個近鄰中存在多個kj（X）時，必然造成誤分類.SVM算法在解決小樣本識別問題中具有獨特的優(yōu)勢和較高的分類精度，但對大規(guī)模分類問題訓(xùn)練時間較長.文中利用k近鄰算法將手形的訓(xùn)練樣本減少到k個，然后通過SVM算法進行分類，有效提高了算法的識別速度，再利用掌紋特征對手形分類結(jié)果加以認證，有效提高了識別系統(tǒng)在實際應(yīng)用時的安全性和穩(wěn)定性.

（1）對于任意待測樣本，使用手形識別的方法計算其與所有注冊樣本的歐式距離，利用k近鄰分類器尋找與之距離最近的k個樣本.

（2）將這k個樣本作為訓(xùn)練樣本，利用SVM算法實現(xiàn)對測試樣本的最終分類.

（3）計算對應(yīng)類別的掌紋圖像與待測樣本掌紋圖像的漢明距離DH，根據(jù)掌紋的等錯誤率曲線設(shè)定閾值Tpalm，當(dāng)DH＜Tpalm時，則匹配成功，否則待識別人員即為非注冊人員.匹配結(jié)果如表1所示.

表1 三種算法的比較Table 1 Comparison of the three algorithms

通過對表1數(shù)據(jù)的分析，在混合圖庫上進行實驗，單獨的手形識別方法識別率較低，掌紋識別方法的時間消耗過大，而二者相結(jié)合的組合識別方法在保證系統(tǒng)的高識別率和低時間消耗的同時，盡可能地降低錯誤識別率（FAR），提高了識別系統(tǒng)的安全性.

4 結(jié) 語

對于手形特征，本文采用k近鄰分類器和支持向量機分類器相結(jié)合實現(xiàn)個人身份的識別，再利用掌紋特征對手形分類結(jié)果加以認證，實現(xiàn)了手形和掌紋相結(jié)合的組合識別.實驗證明，二者相結(jié)合的組合識別方法的識別率達到98.65%，有效提高了識別系統(tǒng)在實際應(yīng)用時的安全性和穩(wěn)定性.下一步的工作是研究當(dāng)手掌平面相對鏡頭發(fā)生傾斜時的識別研究，以進一步提高識別系統(tǒng)的實用性.

［1］ Chen Baofeng，Lou Bailing，Wang Yuanzhuo，et al.A Biometrics Method on Facial and Features［J］.Computer Science，2005，32（8）：189－191.

［2］ 苑瑋琦.生物特征識別技術(shù)［M］.北京：科學(xué)出版社，2009：1－5.

（Yuan Weiqi.Biometric Authentication［M］.Beijing：Science Press，2009：1－5.）

［3］ Sang Haifeng，Ma Yueshi.Robust Palmprint Recognition based on Touch－less Color Palmprint Images Acquired［C］∥The 6th International Conference on Bioinformatics and Biomedical Engineering.Shanghai，2012：541－544.

［4］ 王曉云，郭金玉.低階不變矩人耳識別方法［J］.沈陽大學(xué)學(xué)報：自然科學(xué)版，2012，24（2）：62－65.

（Wang Xiaoyun，Guo Jinyu.Human Ear Recognition Methods based on Low－order Moment Invariants［J］.Journal of Shenyang University：Natural Science，2012，24（2）：62－65.）

［5］ 桑海峰，趙云.基于人手自然張開的多生物特征識別［J］.儀器儀表學(xué)報，2011，32（11）：15－22.

（Sang Haifeng，Zhao Yun. Multi－biological Features Recognition based on Natural Open of Hand［J］.Chinese Journal of Scientific Instrument，2011，32（11）：15－22.）

［6］ Nicolae D.A Survey of Biometric Technology based on Hand Shape［J］.Pattern Recognition，2009，42（1）：2797－2806.

［7］ Adams K，David Z，Mohamed K.A Survey of Palmprint Recognition［J］.Pattern Recognition，2009，42（7）：1408－1418.

［8］ 章毓晉.圖像分割［M］.北京：科學(xué)出版社，2001：130－135.

（Zhang Yujin.Image Segmentation［M］.Beijing：Science Press，2001：130－135.）

［9］ 沈庭芝，方子文.數(shù)字圖象處理與模式識別［M］.北京：北京理工大學(xué)出版社，1998：140－160.）

（Shen Tingzhi，F(xiàn)ang Ziwen.Digital Image Processing and Pattern Recognition［M］.Beijing：Beijing Institute of Technology Press，1998：140－160.）

［10］ Duc B，F(xiàn)ischer S，Bign J.Face Authentication with Gabor Information on Deformable Graphs［J］.IEEE Trans.Image Process，1999，8（4）：504－516.

［11］ Wai K K，David Z，Li W X.Palmprint Feature Extraction Using 2－D Gabor Filters［J］.Pattern Recognition，2003，36（10）：2339－2347.

［12］ Sirovich L，Kirby M.Low－dimensional Procedure for the Characterization of Human Faces［J］.J.Optical Soc.Am.，1987，4（3）：519－524.

［13］ Cortes C，Vapnik V.Support Vector Networks［J］.Machine Learning，1995，20（3）：273－297.