基于頂帽變換的指節(jié)紋和掌紋識別改進(jìn)算法

周 威， 劉 輝， 曾偉高

(湖南師范大學(xué) 物理與信息科學(xué)學(xué)院，湖南 長沙 410006)

0 引 言

傳統(tǒng)的個人身份鑒別已經(jīng)無法滿足社會的需要，生物特征識別技術(shù)是代替?zhèn)鹘y(tǒng)方法的有效途徑。指紋識別是使用得最早、最廣泛,也是最為成熟的一種生物識別技術(shù)[1]，但其不足之處在于:過干、過濕、較臟的手指不易識別,且指紋取像必須按壓適度[2]。另外，人臉識別、手型識別和聲音識別獨特性、持久性和識別精度都不高[3，4]。苑瑋琦等人[5]將掌紋灰度圖像看作是三維空間下的灰度曲面，并將該曲面作為特征進(jìn)行匹配，通過較大紋理存在的差異來計算方差，進(jìn)而通過灰度曲面的凹凸程度來識別。該算法利用整幅圖像進(jìn)行匹配，丟失了部分掌紋信息，在數(shù)據(jù)逐漸加大的情況下，識別率會降低。陳梓毅等人[6]利用灰度差統(tǒng)計，通過判斷對象點的灰度值和連續(xù)掌紋線點集的點數(shù)，提取出掌紋線的二值圖像，最后通過隸屬度評價掌紋線的提取效果。但該算法復(fù)雜度高，且識別率低，不滿足實時性要求。然而，主線和褶皺并不是圖像的全部信息，乳突紋波動較大的細(xì)小紋理同樣是區(qū)分掌紋的重要信息。竺樂慶等人[7]利用Sobel算子求圖像的梯度，提出指節(jié)紋主紋線特征，受光照影響較大，用投影匹配算法匹配的精度低。

本文提出的基于頂帽變換的掌紋、指節(jié)紋識別改進(jìn)算法把指節(jié)紋與掌紋識別技術(shù)結(jié)合起來[8～12]，僅提取指節(jié)紋和掌紋的主紋線，這樣即增加了識別面積又提高了抗干擾能力，頂帽變換還能消除關(guān)照影響，且匹配過程速度快。適用于在大的手掌庫中進(jìn)行中高層粗匹配，篩選出最相似的庫本進(jìn)入下一層進(jìn)行精細(xì)匹配。

1 圖像預(yù)處理

1.1 掌紋圖像預(yù)處理

本文拍攝的各手掌圖像要求攝像頭和手掌保持的相同距離不變、且五指張開和背景為黑色。采用Rgbzgray算法將采集的彩色圖像(圖1(a))進(jìn)行灰度化處理(圖1(b))。之后二值化提取手掌區(qū)域(圖1(c))，用Sobel算子提取手掌邊緣輪廓(圖1(d))。

圖1 圖像預(yù)處理

1.1.1 頂帽變換提取指節(jié)紋、掌紋

通常采用開運算去除與結(jié)構(gòu)元素相比尺寸較小的明亮細(xì)節(jié)，保持圖像整體的灰度值和較大的明亮區(qū)域不受影響，用閉運算去除與結(jié)構(gòu)元素相比尺寸較小的暗細(xì)節(jié)，保持圖像整體灰度值和大的暗區(qū)域不受影響。

頂帽變換屬于組合形態(tài)學(xué)運算，假設(shè)F為輸入圖像,B為采用的結(jié)構(gòu)元素,G為輸出圖像，即從原圖中減去形態(tài)學(xué)開操作后所得的圖像,選取合適的結(jié)構(gòu)元素進(jìn)行灰度開運算可以使圖像中僅剩下對背景的估計; 也可將小于結(jié)構(gòu)元素的噪聲清除，從原圖中減去對背景的估計就可提取出目標(biāo)。形態(tài)學(xué)頂帽變換定義如下

G=F-(F°B)

(1)

基于手掌圖像紋路易受光照、手掌顏色不均等影響，本文運用了頂帽變換法，首先對圖1(a)的灰度圖像進(jìn)行閉運算處理如圖2(a)，再用該圖減去圖1(a)之后得出圖2(b)結(jié)果。

圖2 頂帽變換法處理手掌圖像

1.1.2 手掌圖像去噪

對頂帽變換后的圖像進(jìn)行二值化處理,得到圖3(a)，為了減少干擾，對該圖像使用Bwareaopen算法慮除較小的連通域，得到圖3(b)。

圖3 手掌圖像去噪結(jié)果

2 圖像分割

為了精準(zhǔn)匹配手掌紋理特征,首先要把各手指有效區(qū)域和掌紋區(qū)域從整個手掌中分離出來,本文提取食指、中指、無名指、小指的指節(jié)紋和掌紋部分區(qū)域特征,拇指姿勢變化較大,因此本文不作為特征予以考慮。

2.1 手指圖像分割

2.1.1 指谷和指尖關(guān)鍵點確定

一種比較魯棒的指谷、指尖關(guān)鍵點提取技術(shù)是求解到腕部參考點的射線距離,腕部參考點本文定義為圖1(d) 圖像矩陣最后一行從左至右找到的第一個灰度值不是零的位置為參考點(圖4(a))。之后沿順時針方向跟蹤手掌輪廓上的點與該腕部參考點的距離,將得到5個峰值點與4個谷值點,5個峰值對應(yīng)五指指尖關(guān)鍵點,4個谷值對應(yīng)指谷關(guān)鍵點,如圖4(b)所示，對應(yīng)點的跟蹤輪廓與參考點線段距離如圖5所示。

圖4 參考點位置及指尖和指谷位置

圖5 跟蹤輪廓與參考點線段距離

食指左邊緣和小拇指右邊緣終點的確定，可以用圖4(b)中按手掌輪廓順時針方向點h和點g之間的離點f距離最近的點作為食指左邊緣點，用順時針方向a點之后的離b點距離最近的點作為小拇指右邊緣終點。

2.1.2 分割手指并確定手指區(qū)域坐標(biāo)

連接各手指對應(yīng)邊緣的指谷或邊緣點，過對應(yīng)手指的指尖作指谷連線的平行線，過指谷或邊緣點作指谷連線的垂線，四條線圍成的區(qū)域為手指區(qū)域(圖6(a))。手指紋理包含在對應(yīng)的矩形中(圖6(b))。

圖6 手指分割與區(qū)域匹配

2.2 分割手掌區(qū)域

找到大拇指與食指、食指與中指、中指與無名指之間的指谷坐標(biāo)，即圖5中h，f，d的位置。過點f和點d作一條直線L。過點h作L直線的平行線K，過點f作直線k的垂線X與直線k交于點r，過點d作直線k的垂線Y與直線k交于點t。直線L，K，X，Y圍成的矩形區(qū)域為分割出的手掌區(qū)域。分割出的原圖(圖7(a))、灰度圖像(圖7(b))、最后處理分割圖像(圖7(c))。

圖7 手掌區(qū)域分割灰度化

3 特征匹配

采用計算序貫相似檢測算法(sequential similarity detection algorithm,SSDA)進(jìn)行圖像匹配，該算法直接計算一個給定區(qū)域內(nèi)像素誤差的累積即

(2)

計算出每個手指指節(jié)紋和對應(yīng)掌紋的SAD，假設(shè)有節(jié)指紋閾值δ、掌紋閾值β和判別函數(shù)K,如果指節(jié)紋SAD<δ或掌紋SAD<β把判別函數(shù)K置為1;如果計算出的指節(jié)紋SAD≥δ或掌紋SAD≥β，判別函數(shù)K置為0。對于整個手掌,只有四個手指 (不考慮大拇指)和手掌都接受時才認(rèn)為匹配成功,否則匹配失敗,即

(3)

當(dāng)add=5時接受,add<5時拒絕,其中i=0,1,2,3,4分別代表食指、中指、無名指、小指和手掌。

4 實驗結(jié)果

實驗數(shù)據(jù)庫由500個樣本構(gòu)成，采集了100個人的左手手掌，每個手掌5個樣本采集設(shè)備由攝像頭、光源和采集箱組成，采集箱和攝像頭距離保持不變，采集時手指五指張開。本文用相似檢測算法、投影匹配算法、角點檢測算法和特征曲線檢測算法分別提取出預(yù)處理時間、特征提取時間、特征匹配時間和等誤率與本文的方法在本文數(shù)據(jù)庫上進(jìn)行了性能比較。比較結(jié)果如表1。

表1 不同算法的性能比較

5 結(jié) 論

本文提出了基于頂帽變換的指節(jié)紋、掌紋識別改進(jìn)算法。手掌采集時不需要任何固定標(biāo)志，對攝像裝置的要求低，采集速度快。頂帽變換基本消除了手掌顏色不均的影響，大幅度減小了噪聲的干擾，圖像分割匹配提高了圖像匹配的速度和精度。實驗結(jié)果表明，本文方法有較高的識別率，匹配過程快速高效。后續(xù)將結(jié)合指節(jié)紋、掌紋和指紋特點組成一套完整、高效、精確的基于手掌圖像的身份識別系統(tǒng)。