基于改進(jìn)SIFT 算法的掌紋圖像拼接

李 洋，劉 富，康 冰，魏祺韡

(1.長春汽車工業(yè)高等?？茖W(xué)校電氣工程學(xué)院，長春130011;2.吉林大學(xué)通信工程學(xué)院，長春130022)

基于改進(jìn)SIFT 算法的掌紋圖像拼接

李 洋1，2，劉 富2，康 冰2，魏祺韡2

(1.長春汽車工業(yè)高等?？茖W(xué)校電氣工程學(xué)院，長春130011;2.吉林大學(xué)通信工程學(xué)院，長春130022)

為解決采集的掌紋圖像不完整的問題，改進(jìn)了SIFT特征圖像拼接算法，從而得到完整掌紋圖像，提出LoG-SIFT特征點(diǎn)匹配拼接算法并設(shè)計(jì)一種剔除誤匹配點(diǎn)對策略。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后算法能增強(qiáng)手掌表面紋線特征，顯著提高特征點(diǎn)對匹配數(shù)量，降低點(diǎn)對匹配錯(cuò)誤率。

掌紋特征;SIFT算法;圖像拼接

0 引 言

圖像拼接技術(shù)是將多幅有重疊部分的局部圖像組合成一幅全景大視角圖像。由于圖像采集設(shè)備視角限制，人們不能獲得寬視場圖像，因此，圖像拼接技術(shù)［1］就應(yīng)運(yùn)而生。

隨著對圖像拼接技術(shù)研究的深入，圖像拼接技術(shù)應(yīng)用也越來越廣泛。地圖測繪領(lǐng)域需要在空中航拍多幅圖像拼接成完整的真實(shí)場景地圖;醫(yī)學(xué)研究領(lǐng)域需要將局部病灶圖像拼接成大面積的器官全景圖像進(jìn)行輔助診病;交通方面汽車全景輔助駕駛系統(tǒng)可以幫助駕駛員全景了解自身所處環(huán)境，減少事故的發(fā)生;軍事領(lǐng)域的坦克全景巡視和艦艇全景支持可幫助快速定位目標(biāo)。在研究掌紋精細(xì)紋路識(shí)別時(shí)，由于受到掌紋采集設(shè)備鏡頭視角限制，采集到的掌紋圖像可能是局部的、非全手掌的掌紋圖像，不利于研究全手掌特征，因此，需要對局部手掌圖像進(jìn)行拼接，得到完整的全手掌圖像。

圖像配準(zhǔn)［2］是圖像拼接的核心技術(shù)。圖像配準(zhǔn)算法主要有兩種［3］:基于特征的算法和基于區(qū)域的算法。基于特征的算法是針對圖像中的明顯特征計(jì)算圖像間的變換矩陣，如Harris角點(diǎn)檢測算法［4］，SIFT特征點(diǎn)檢測算法［5］。該算法計(jì)算速度快，配準(zhǔn)效率高，是目前最常用的一類配準(zhǔn)算法。其中，SIFT特征算法是著名學(xué)者David G Lowe在1999年研究提出的［6］，該算法提取特征穩(wěn)健，精度很高，因此被廣泛應(yīng)用于圖像配準(zhǔn)中。SIFT算法能在尺度和灰度空間檢測圖像特征，然后利用拉普拉斯金字塔性質(zhì)消除誤差并得到配準(zhǔn)點(diǎn)信息［7，8］。SIFT特征不但具有良好的旋轉(zhuǎn)不變性，而且特征獨(dú)特，檢測到的特征信息更加豐富。

1 實(shí)驗(yàn)圖像采集與問題描述

實(shí)驗(yàn)圖像采集設(shè)備的鏡筒是由北京中盛佳安科技有限公司生產(chǎn)的多波段照相觀察儀(見圖1)，鏡筒直徑為45 mm，采集圖像視野為圓形區(qū)域，雖然采集到的掌部圖像是放大的清晰掌紋圖像，但采集視野并不能覆蓋全手掌，采集到的只是手掌的局部圓形區(qū)域(手掌放于鏡頭下方，緊貼鏡筒，內(nèi)部有光源)。實(shí)驗(yàn)采集到的不同光譜下的掌紋圖像如圖2所示，它們分別是自然光、紫光、近紅外光、紅光、綠光和藍(lán)光掌紋圖像。而在中醫(yī)手診理論中，需要確定異常紋所屬全手掌的區(qū)域位置才能預(yù)測對應(yīng)臟腑可能出現(xiàn)的疾病，如，當(dāng)異常紋出現(xiàn)在巽區(qū)時(shí)，表明可能會(huì)有膽囊炎;出現(xiàn)在離區(qū)時(shí)，表明可能會(huì)有心絞痛;出現(xiàn)在坤區(qū)時(shí)，表明可能會(huì)有泌尿系統(tǒng)疾病等。所以，當(dāng)在局部區(qū)域上識(shí)別出異常紋后，需要將4個(gè)不同局部區(qū)域圖像拼接成完整的全手掌圖像，再對照中醫(yī)全手掌圖像中劃分的臟腑對應(yīng)區(qū)，根據(jù)拼接產(chǎn)生的變換矩陣，將局部掌紋圖像中的異常紋坐標(biāo)變換到全局全手掌圖像中，從而確定異常紋在全手掌中所屬的區(qū)域。而將局部掌紋圖像拼接成全手掌圖像是解決后續(xù)異常紋定位的前提，因此，筆者針對這一特殊拼接問題進(jìn)行著重研究。

圖1 鏡筒Fig.1 Barrel

圖2 不同光譜下的掌紋圖像Fig.2 Palmprint image under different spectral

2 基于SIFT特征點(diǎn)匹配的圖像拼接算法

基于SIFT特征的配準(zhǔn)拼接主要分為4步［9，10］。

1)提取SIFT特征。檢測尺度空間極值點(diǎn)，精確定位關(guān)鍵點(diǎn)，分配關(guān)鍵點(diǎn)主方向，然后生成SIFT特征描述子并保存。

2)剔除非匹配點(diǎn)。使用歐氏距離比的閾值判斷標(biāo)準(zhǔn)去除低對比度和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，判別相互匹配的點(diǎn)對并保存。

3)圖像變換。根據(jù)匹配點(diǎn)對的信息計(jì)算出圖像間的變換矩陣H。

4)圖像接縫處理。使用圖像融合算法對圖像拼接的接縫進(jìn)行融合。

其中，1)和2)是配準(zhǔn)拼接的關(guān)鍵步驟，因此詳細(xì)介紹過程如下。

①尺度空間極值檢測。圖像的尺度空間

其中G(x，y，σ)是高斯核函數(shù)，其形式為

其中(x，y)是圖像上某點(diǎn)的像素坐標(biāo)，σ是尺度變換因子。

為了提高檢測穩(wěn)定特征點(diǎn)的效率，Lowe又提出了使用不同尺度的高斯差分尺度空間(DOG scalespace)算子與圖像進(jìn)行卷積求取極值方法

其中k是常數(shù)。

②定位關(guān)鍵點(diǎn)。從高斯差分圖像中檢測尺度空間的極值點(diǎn)。每個(gè)采樣點(diǎn)都需要和周圍鄰域內(nèi)的點(diǎn)相比較，從而獲得尺度空間的局部極值。由于進(jìn)行了高斯濾波，因此，所提取的局部極值特征點(diǎn)不受噪聲干擾;又由于進(jìn)行了高斯差分卷積，因此，所提取的局部極值特征點(diǎn)不受亮度差影響，從而保證了特征點(diǎn)的尺度不變性。

③確定關(guān)鍵點(diǎn)主方向。

圖3 由關(guān)鍵點(diǎn)鄰域梯度信息生成特征向量的過程Fig.3 Feature vectors generated by the neighborhood gradient information of a key point

其中m(x，y)是像素點(diǎn)(x，y)的梯度值，函數(shù)θ(x，y)是像素點(diǎn)(x，y)的方向，函數(shù)L是各個(gè)關(guān)鍵點(diǎn)的尺度。

④生成關(guān)鍵點(diǎn)特征描述子。特征點(diǎn)描述子生成過程如圖3所示。圖中間黑色的圓點(diǎn)代表關(guān)鍵點(diǎn)位置，圍繞著關(guān)鍵點(diǎn)建立一個(gè)高斯加權(quán)的鄰域范圍，且距離關(guān)鍵點(diǎn)越近，所賦予的權(quán)重越大。

3 LoG-SIFT特征點(diǎn)匹配拼接算法

LoG邊緣檢測算子是將高斯平滑濾波和拉普拉斯銳化濾波結(jié)合在一起進(jìn)行邊緣檢測方法，也稱LoG(Laplacian of Gaussian)算法。LoG算法首先對圖像進(jìn)行高斯平滑濾波和降噪處理，再采用Laplace算子進(jìn)行邊緣檢測，提高了算子對噪聲和離散點(diǎn)的魯棒性。

若直接使用原始掌紋圖像(見圖4)進(jìn)行SIFT特征點(diǎn)檢測，則會(huì)出現(xiàn)特征匹配點(diǎn)對過少，無法實(shí)現(xiàn)拼接，檢測出的大量點(diǎn)對為錯(cuò)誤匹配點(diǎn)對，導(dǎo)致拼接錯(cuò)誤的現(xiàn)象(見圖5)。產(chǎn)生這種情況的原因是掌紋圖像的紋線特征太弱，很難檢測到特征點(diǎn)，光照影響太大［11］。因此，為了盡可能多檢測到特征點(diǎn)，首先需要對原始掌紋圖像進(jìn)行特征增強(qiáng)處理，這里使用拉普拉斯高斯(LoG)算子增強(qiáng)算法。

圖4 采集的原始掌紋圖像Fig.4 Original palmprint images

圖5 錯(cuò)誤匹配點(diǎn)對Fig.5 Mismatched points

筆者設(shè)計(jì)的改進(jìn)LoG-SIFT拼接算法分為以下3步:

1)拉普拉斯高斯算子增強(qiáng)。設(shè)原圖像為f(x，y)，經(jīng)過卷積運(yùn)算和拉普拉斯算子作用，得到輸出圖像

其中“*”為卷積運(yùn)算。

高斯函數(shù)為

拉普拉斯算子為

由于卷積和微分可交換順序，因此，有

其中平滑和微分合并后的算子

稱作拉普拉斯高斯(LoG)算子，求取h(x，y)的所有過零點(diǎn)軌跡即可得到圖像f(x，y)的邊緣。

2)檢測SIFT特征匹配點(diǎn)對。

3)剔除誤匹配點(diǎn)對。

在使用SIFT算法提取特征點(diǎn)的過程中，提取特征點(diǎn)的準(zhǔn)確性決定了拼接準(zhǔn)確度。在傳統(tǒng)拼接算法中，使用歐氏距離作為兩幅圖像上對應(yīng)特征點(diǎn)的相似性度量:找到圖像a中某一特征點(diǎn)在圖像b中歐氏距離最近的前2個(gè)點(diǎn)，它們的距離分別為l1和l2(l1＜l2)，當(dāng)l1/l2的值小于某個(gè)比例閾值k時(shí)，則認(rèn)為是一對正確的匹配點(diǎn)對。當(dāng)k值減小時(shí)，匹配點(diǎn)對的數(shù)目減少，得到的匹配點(diǎn)對性能更穩(wěn)定;當(dāng)k值增大時(shí)，匹配點(diǎn)對的數(shù)目增多，得到的匹配點(diǎn)對性能下降。一般認(rèn)為k=0．8時(shí)，可明顯消除錯(cuò)誤匹配點(diǎn)對而只損失少量正確匹配點(diǎn)對。

由此對掌紋局部圖像進(jìn)行拼接實(shí)驗(yàn)，設(shè)置閾值k=0．8，實(shí)驗(yàn)結(jié)果如圖6所示。雖然檢測出了大量正確的匹配點(diǎn)對，但錯(cuò)誤的匹配點(diǎn)對(如紅線所示)約占總數(shù)10%，顯然會(huì)影響生成的拼接矩陣準(zhǔn)確性，而降低閾值k，雖然能減少錯(cuò)誤匹配點(diǎn)對，但也會(huì)大大減少檢測出正確匹配點(diǎn)對的數(shù)目，這樣做得不償失。因此，針對上述問題和所拼接局部掌紋圖像特點(diǎn)，在SIFT特征拼接算法基礎(chǔ)上筆者提出了一種剔除誤匹配點(diǎn)對策略，能有效剔除錯(cuò)誤匹配點(diǎn)對，保留正確匹配點(diǎn)對，提高變換矩陣準(zhǔn)確度。

對待拼接掌紋圖像總結(jié)出正確匹配點(diǎn)對特點(diǎn)如下。

①分布象限特點(diǎn)。正確匹配特征點(diǎn)對中一個(gè)位于左圖的右半部分;另一個(gè)位于右圖的左半部分;

②距離特點(diǎn)。正確匹配點(diǎn)對間距離小于閾值T;

③夾角特點(diǎn)。正確匹配點(diǎn)對與水平方向成的夾角小于30°。

筆者針對以上特點(diǎn)設(shè)計(jì)出剔除誤匹配點(diǎn)對的策略。

a剔除左圖的左半側(cè)象限和右圖的右半側(cè)象限的點(diǎn);

b剔除點(diǎn)對之間距離大于閾值T的點(diǎn)對;

c剔除匹配點(diǎn)對與水平方向形成的夾角大于30°的點(diǎn)對。

4)分割圓形感興趣區(qū)域。為了使拼接后圖像更加美觀自然，希望去掉圖像圓形感興趣區(qū)域外的干擾區(qū)域。常見的感興趣區(qū)域分割出的區(qū)域總是矩形或多邊形的感興趣區(qū)域，很難分割出圓形感興趣區(qū)域。筆者利用Taubin圓曲線擬合方程，擬合圓形感興趣區(qū)域邊界，將圓形感興趣區(qū)域從背景中分離出來。

圖6 匹配結(jié)果Fig.6 Match result

4 計(jì)算結(jié)果與比較

根據(jù)前述算法步驟，對原始掌紋圖像進(jìn)行LoG濾波增強(qiáng)，增強(qiáng)后掌紋的邊緣和特征點(diǎn)更加突出，LoG濾波增強(qiáng)后的掌紋圖像如圖7所示。對 LoG濾波增強(qiáng)后的圖像再次進(jìn)行 SIFT特征點(diǎn)對匹配(k=0.8)，點(diǎn)對的匹配結(jié)果如圖8所示，匹配數(shù)據(jù)如表1所示。分析表1可以看出，LoG濾波增強(qiáng)后匹配點(diǎn)對的數(shù)目大大增加，正確匹配點(diǎn)對的數(shù)目也大大增加，而匹配所用時(shí)間略有降低。實(shí)驗(yàn)表明，對掌紋圖像進(jìn)行LoG濾波增強(qiáng)能有效提高SIFT特征點(diǎn)匹配的效率，提高匹配點(diǎn)對正確率。

圖7 LoG濾波增強(qiáng)后待拼接掌紋圖像Fig.7 Palmprint image after LoG filtering enhancement

圖8 LoG濾波增強(qiáng)后SIFT點(diǎn)對匹配狀況Fig.8 SIFT pointmatching condition fter LoG filtering enhancement

雖然對掌紋圖像進(jìn)行LoG濾波增強(qiáng)能有效提高SIFT特征點(diǎn)匹配效率，提高匹配點(diǎn)對正確率，但仍存在一些錯(cuò)誤的匹配點(diǎn)對，這些錯(cuò)誤的匹配點(diǎn)對不能通過調(diào)整比例閾值k進(jìn)行消除。實(shí)驗(yàn)中圖6(左)檢測出8 020個(gè)特征點(diǎn)，圖6(右)檢測出8 668個(gè)特征點(diǎn)，以比例閾值為k=0.8得到41對匹配特征點(diǎn)對，經(jīng)過誤匹配點(diǎn)對剔除策略剔除4對錯(cuò)誤匹配點(diǎn)對，拼接后掌紋圖像如圖9所示，修正后的圖像變換矩陣如下

表1 LoG增強(qiáng)前后匹配結(jié)果比較Tab.1 Comparison results before and after LoG filtering enhancement

圖9 拼接后掌紋圖像Fig.9 Palmprint image after stitching

由于圖像的感興趣區(qū)域是個(gè)圓形區(qū)域，周圍的背景區(qū)域會(huì)對拼接好的掌紋圖像造成遮擋，影響拼接效果，因此，需要去除拼接接縫中的背景區(qū)域。筆者提出使用Taubin曲線圓感興趣區(qū)域擬合算法，該算法屬于采用近似均方距離度量的最優(yōu)算法，采用近似均方距離度量法，是直接最小二乘擬合方法的一種，只是對系數(shù)附加的約束條件不同。該算法屬于強(qiáng)健和精確圓擬合，比kasa算法更穩(wěn)定，比pratts算法更快，只需要輸入很少的共面點(diǎn)坐標(biāo)，即可獲得擬合圓方程，返回圓心的坐標(biāo)c和半徑r。

步驟如下。

1)取關(guān)鍵點(diǎn)。對一幅掌紋圖像首先進(jìn)行二值化，然后在黑色區(qū)域與白色區(qū)域相接的邊界圓周上均勻分布搜索出7個(gè)點(diǎn)并記錄坐標(biāo)。

2)擬合圓域邊界并輸出圓心和半徑。將坐標(biāo)輸入Taubin圓曲線擬合方程，擬合出圓形感興趣區(qū)域的邊界，輸出圓形感興趣區(qū)域的圓心和半徑。

3)分割背景后拼接。拼接時(shí)，位于擬合圓域邊界內(nèi)部的點(diǎn)元素性質(zhì)保持不變，位于擬合圓域邊界外部的點(diǎn)元素替換成另一幅拼接圖像的對應(yīng)位置的點(diǎn)元素。

根據(jù)上述步驟進(jìn)行實(shí)驗(yàn)，在圖像邊界圓周上提取的7個(gè)關(guān)鍵點(diǎn)的坐標(biāo)分別為(143，50)、(324，35)、(449，258)、(403，402)、(247，464)、(57，359)和(67，127)，輸出擬合后的數(shù)組Par=(243 245 217)，表明擬合的圓形感興趣區(qū)域的圓心坐標(biāo)為(243，245)，半徑R=217像素，拼接后如圖10a所示。同樣的方法對掌部第3象限圖像和第4象限圖像進(jìn)行拼接，拼接后如圖10b所示。全手掌拼接結(jié)果如圖11所示。

圖10 掌部圖像拼接結(jié)果Fig.10 Stitching result

圖11 全手掌拼接圖Fig.11 Full palm after stitching

分析去除背景后的拼接結(jié)果可以看出，筆者提出的LoG-SIFT特征點(diǎn)匹配拼接算法能有效改善手掌上特征點(diǎn)不明顯情況，在檢測更多的特征匹配點(diǎn)對的同時(shí)能降低誤匹配點(diǎn)對數(shù)目，從而大大提高生成的變換矩陣精確度，使拼接出的掌部圖像更準(zhǔn)確、自然。

5 結(jié) 語

筆者主要改進(jìn)了基于SIFT特征點(diǎn)匹配的圖像拼接算法，針對采集的局部掌紋圖像的特點(diǎn)，提出了LoG-SIFT特征點(diǎn)匹配拼接算法，此算法能增強(qiáng)手掌表面紋線特征，大大提高特征點(diǎn)對的匹配數(shù)量;通過剔除誤匹配點(diǎn)對的策略，降低了點(diǎn)對匹配錯(cuò)誤率，修正了圖像變換矩陣，拼接出了全手掌的圖像;對拼接后的掌紋圖像去除了拼接接縫中的背景遮擋，使拼接后的掌紋圖像更美觀自然。

［1］江鐵，朱桂斌，孫奧.全景圖像拼接技術(shù)研究現(xiàn)狀綜述［J］.重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版，2012，29(12):60-65. JIANG Tie，ZHU Guibin，SUN Ao.A Review Study of Panoramic Image Stitching Technology［J］.Chongqing Technology Business University:Nature Science Edition，2012，29(12):60-65.

［2］江晟.基于多模態(tài)特征的光-SAR圖像融合配準(zhǔn)算法［J］.吉林大學(xué)學(xué)報(bào):信息科學(xué)版，2015，33(2):208-213. JIANG Sheng.Optical-SAR Image Registration Using Multimodal Features Fusion Algorithm［J］.Journal of Jilin University: Information Science Edition，2015，33(2):208-213.

［3］楊占龍.基于特征點(diǎn)的圖像配準(zhǔn)與拼接技術(shù)研究［D］.西安:西安電子科技大學(xué)機(jī)電工程學(xué)院，2008. YANG Zhanlong.Reasearch on Image Registration and Mosaic Based on Feature Point［D］.Xi'an:Institute of Mechanical and Electrical Engineering，Xidian University，2008.

［4］賈瑩.基于Harris角點(diǎn)檢測算法的圖像拼接技術(shù)研究［D］.長春:吉林大學(xué)電子科學(xué)與工程學(xué)院，2010.JIA Ying.Research of the Image Mosaic Method Based on Harris Corner Detection［D］.Changchun:College of Electrical Science and Engineering，Jilin University，2010.

［5］高華.基于SIFT圖像拼接技術(shù)研究［D］.重慶:重慶交通大學(xué)信息科學(xué)與工程學(xué)院，2012. GAO Hua.Research on Image Stitching Technology Based on SIFT［D］.Chongqing:College of Information Science and Engineering，Chongqing Jiaotong University，2012.

［6］霍春寶，童帥，趙立輝，等.SIFT特征匹配的顯微全景圖拼接［J］.遼寧工程技術(shù)大學(xué)學(xué)報(bào):自然科學(xué)版，2015，34(1):93-96. HUO Chunbao，TONG Shuai，ZHAO Lihui，et al.Microscopic Panorama Splicing Based on Sift Features Matching［J］. Journal of Liaoning Technical University:Natural Science，2015，34(1):93-96.

［7］JEAN-MICHELM，YU Guoshen.A SIFT:A New Framework for Fully Affine Invariant Image Comparison［J］.SIAM Journal on Imaging Sciences，2009，2(2):438-468.

［8］ABDEL-HAKIM A E，F(xiàn)ARAG A.A SIFT Descriptorwith Color Invariant Characteristics［C］∥Proc of CVPR'06.New York，USA:［s.n.］，2006:1978-1983.

［9］常青，張斌，邵金玲.基于SIFT和RANSAC的特征圖像匹配方法［J］.華東理工大學(xué)學(xué)報(bào):自然科學(xué)版，2012，38(6):747-751. CHANG Qing，ZHANG Bin，SHAO Jinling.Features Image Matching Approach Based on SIFT and RANSAC［J］.Journal of East China University of Science and Technology:Natural Science Edition，2012，38(6):747-751.

［10］李新科，高潮，郭永彩，等.利用改進(jìn)的SIFT算法檢測橋梁拉索表面缺陷［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2015，40(1):71-76. LIXinke，GAO Chao，GUO Yongcai，et al.Detect the Bridge Cable Using Improved SIFT Algorithm［J］.Geomatics and Information Science ofWuhan University，2015，40(1):71-76.

［11］鄭凱元.針對掌紋圖像的配準(zhǔn)與融合方法研究［D］.長春:東北師范大學(xué)計(jì)算機(jī)學(xué)院，2008. ZHENG Kaiyuan.The Research of Registration and Fusion for Palmprint Image［D］.Changchun:College of Information Technology Institute，Northeast Normal University，2008.

(責(zé)任編輯:劉俏亮)

Palmprint Image Stitching Based on Improved SIFT Algorithm

LIYang1，2，LIU Fu2，KANG Bing2，WEIQiwei2

(1.College of Electrical Engineering，Changchun Automobile Industry Institute，Changchun 130011，China; 2.College of Communication Engineering，Jilin University，Changchun 130022，China)

To solve the problem of incompletement for the captured images，we improved SIFT feature stitching algorithm to get the whole palmprint images.We proposed LoG-SIFT feature pointsmatching stitching algorithm and designed a strategy formismatching points remove which can improve the accuracy ofmatching point.The experimental results showed that the improved algorithm enhanced the palm surface ridge characteristics，significantly increased the number ofmatching feature points and lowered pointsmatching error rate.

palmprint feature;SIFT algorithm;image stitching

TP391.4

A

1671-5896(2015)06-0707-07

2015-06-29

吉林省重點(diǎn)科技攻關(guān)基金資助項(xiàng)目(20140204046)

李洋(1981— )，男，長春人，長春汽車工業(yè)高等?？茖W(xué)校助教，主要從事生物模式識(shí)別研究，(Tel)86-18943995157 (E-mail)171826080@qq.com;通訊作者:劉富(1968— )，男，長春人，吉林大學(xué)教授，博士生導(dǎo)師，主要從事生物特征識(shí)別技術(shù)研究，(Tel)86-431-85095308(E-mail)liufu@jlu.du.cn。