基于2D-2DPCA和小波變換的掌紋識別算法

趙裕峰 遼寧水利職業(yè)學(xué)院

關(guān)鍵字：掌紋識別 小波變換 2D-2DPCA

引言：掌紋識別的主要優(yōu)點為：首先掌紋圖像所涵蓋的信息量豐富。我們在在獲取掌紋信息的同時還可以獲取他生物特征。比如，手型、指紋等，從而實現(xiàn)一體化識別。而且各類紋線信息，不易偽造。再次，信息采集設(shè)備簡單。同時，在掌紋圖像采集過程中不會涉及到人體的敏感部位，易于被掌紋圖像采集用戶所接受。因此，掌紋識別技術(shù)是一項深入研究的生物特征識別技術(shù)，并且具有有廣大的應(yīng)用前景。掌紋圖像預(yù)處理、掌紋特征提取以及掌紋特征匹配是當前掌紋識別技術(shù)的3個階段。掌紋特征的提取是這3個階段的核心。掌紋特征提取算法有基于結(jié)構(gòu)特征、基于統(tǒng)計特征、基于紋理及變換域特征和基于子空間特征等方法。

本文提出基于2D-2DPCA和小波變換的掌紋識別算法。采用2D-2DPCA不僅克服了傳統(tǒng)小波變換后直接進行PCA遇到的維數(shù)災(zāi)難問題，同時也解決了2DPCA需要更多的特征維數(shù)D來表征圖像的問題。在掌紋數(shù)據(jù)庫上的實驗結(jié)果表明，該算法的識別率更高、降低了對特征維數(shù)D的要求同時提高了識別速度。

1 小波變換

小波變換在圖像處理領(lǐng)域以及包括指紋、人臉、虹膜以及字符識別等特征識別領(lǐng)域都有突出作用。小波分解非常適合用來描述多分辨率下單圖像特征，用于獲取較為全面的尺度與方向特征。對PolyU palmprint datebase經(jīng)過預(yù)處理獲取的ROI灰度圖像進行中值濾波、圖像增強（如圖1）再進行三級小波分解。圖像被分解成4個子帶，如圖 2所示。為了更清楚的看清掌紋的主線我們采用全局二值化的方法對圖2中的LL進行二值化處理，處理結(jié)果如圖3。

圖 1

圖 2

圖 3

圖 4

圖 5

2 雙向 2DPCA

2DPCA實質(zhì)上對圖像的行方向進行了最優(yōu)投影計算。如果所提取的投影矩陣的d增加，則計算量也將迅速增加。因此，同時考慮圖像列向量的最優(yōu)投影計算，可以得到2DPCA在兩個方向上的值，然后進行融合，即2D-2DPCA方法。

2.1 列方向的2DPCA

在2DPCA,圖像的總體散布矩陣G1為：

2.2 D-2DPCA投影矩陣

圖像行間信息是通過行向量2DPCA反映出來的。也就是說，圖像行間信息是從一系列訓(xùn)練樣本圖像的最優(yōu)化矩陣得出的。我們首先將一個的圖像a向 的矩陣X上進行投影。這樣便會產(chǎn)生一個的矩陣Y=aX。同理，圖像的列間信息是通過列方向的2DPCA反映出來的。我們同樣會得到一個的最優(yōu)化矩陣z。我們將圖像a投影到z上,產(chǎn)生一個的矩陣將圖像A同時向X和Z投影,產(chǎn)生一個的矩陣C：（3-3 ）

此時，C便是我們通過2D-2DPCA的方法獲得的具有綜合特征信息的參數(shù)。在獲得該參數(shù)后，我們便可以進一步對掌紋圖像進行識別與處理。

2.3 特征選擇

由于不同類別的樣本之間的類間散度越大，說明其可分性越好。所以我們在選取基向量時應(yīng)該選取有利于分類的基向量。可用下式實現(xiàn)：2DPCA變換中的主分量選取。

通過上述介紹的2D-2DPCA與小波變換相結(jié)合的方法，可以實現(xiàn)將一副圖片變成降了維的矩陣。

3 實驗結(jié)果與分析

本文實驗所采用的掌紋圖像為香港理工大學(xué)生物研究中心提供的掌紋數(shù)據(jù)庫。采集掌紋的分辨率為284 384,如圖3所示。采用預(yù)處理技術(shù),將600幅掌紋圖像剪切出大小為128 128的掌紋感興趣區(qū)域,如圖4所示。然后將這600幅帶有掌紋感興趣區(qū)域的圖像分為兩組---訓(xùn)練樣本和測試樣本。每個人隨機選取三幅掌紋圖作為訓(xùn)練樣本,其余三幅作為測試樣本。通過中值濾波、圖像增強、三級小波分解后生成特征矩陣,然后經(jīng)雙向2DPCA降維和特征選擇,可以得到訓(xùn)練樣本與測試樣本的特征。然后計算它們之間的歐氏距離。最后運用最近鄰算法進行識別。結(jié)果表示2D-2DPCA特征維數(shù)僅為9 9,識別率最高。

4 結(jié)束語

本文提出了一種基于2D-2DPCA和小波變換的掌紋識別算法。先將預(yù)處理后的掌紋圖像進行三級小波變換。然后對其提取高頻子圖像系數(shù)作為特征提取的輸入。再利用2D-2DPCA算法進行降維和特征提取,最后利用最近鄰法進行識別。