掌紋主線和紋理特征融合的識別方法

文/張志敏

（長春理工大學(xué)計算機(jī)科學(xué)技術(shù)學(xué)院 吉林省長春市 130022）

隨著信息技術(shù)的迅速發(fā)展和人類社會的不斷進(jìn)步，掌紋識別技術(shù)[1]-[5]成為一種新興的生物特征識別技術(shù)，是近年來研究的熱點(diǎn)之一。掌紋的主要信息集中在一個有效區(qū)域內(nèi)，即感興趣區(qū)域(RegionOfInterest，ROI)[6]-[8]。該區(qū)域不僅包含基于線的特征，還包含脊和細(xì)節(jié)點(diǎn)，這些特征是人與生俱來且長期不變的。與其他生物特征識別方法相比，掌紋圖像易采集；用戶接受度高；對圖像的分辨率要求可降低；相對穩(wěn)定的特征也可在低分辨率的圖像中被提取。雖然傳統(tǒng)的掌紋特征提取方法也可以較好地提取掌紋特征信息，但只能提取單一特征，導(dǎo)致提取的掌紋特征信息不夠豐富。因此，特征融合成為掌紋識別領(lǐng)域的發(fā)展方向。掌紋識別技術(shù)中主要包含兩種特征融合：

（1）掌紋與其他生物模態(tài)進(jìn)行特征融合；

（2）采用不同方法提取掌紋的不同特征進(jìn)行融合。

近年來，許多掌紋特征融合方法[9]-[11]相繼出現(xiàn)。如文獻(xiàn)[9]提出了一種利用多尺度LBP 算子和Gabor 濾波器相結(jié)合的方法對預(yù)處理后的掌紋ROI 區(qū)域進(jìn)行特征提取。該算法首先利用關(guān)鍵點(diǎn)定位的方法對給定的掌紋圖像做預(yù)處理操作，得到掌紋ROI 區(qū)域，然后采用雙向直方圖均衡化增強(qiáng)掌紋ROI 區(qū)域的對比度以及紋理細(xì)節(jié)，之后通過紋理頻譜度量的方法對掌紋主線方向進(jìn)行搜尋，確定Gabor 濾波器的方向參數(shù)，最后利用多尺度LBP 算子對Gabor 變換后的掌紋特征進(jìn)行提取。實驗結(jié)果表明，用該方法提取的特征進(jìn)行掌紋的分類識別可取得良好的識別率，但該方法主要針對掌紋的紋理特征進(jìn)行融合，并沒有注重掌紋的其他特征。文獻(xiàn)[10]提出了一種手形、掌紋和掌靜脈多特征融合的識別方法。其中，提到了融合掌紋和掌靜脈這兩種特征的方法。該方法利用小波分解分別獲得掌紋和掌靜脈ROI 圖像的高、低頻分量，從中選取了掌紋和掌靜脈的低頻分量以及掌紋的水平邊緣分量和垂直邊緣分量。利用Gabor 濾波器對選取的分量進(jìn)行了紋理增強(qiáng)，再采用融合規(guī)則對紋理增強(qiáng)后的掌紋和掌靜脈低頻分量進(jìn)行融合，得到融合圖像。將融合圖像和Gabor 紋理增強(qiáng)的掌紋高頻子圖像經(jīng)小波逆變換得到最終的掌紋和掌靜脈融合圖像，利用分塊紋理基元模型對融合圖像進(jìn)行特征提取并進(jìn)行識別率的驗證。實驗結(jié)果表明，當(dāng)分塊數(shù)目為3×3 時，其識別率高達(dá)98.36%，該方法雖然將人體手掌的手形、掌紋和掌靜脈進(jìn)行融合，但并沒有將掌紋的多種特征進(jìn)行融合。文獻(xiàn)[11]提出了一種基于子空間與紋理特征融合的掌紋識別方法。該方法利用穩(wěn)健線性判別分析算法提取掌紋ROI 區(qū)域的子空間特征，從而使特征維數(shù)得到了有效地降低。再將掌紋ROI 均勻分割成8×8 大小的非重疊子塊，采用局部方向二值模式對每個子塊分別提取主方向和相應(yīng)的方向置信度以獲取兩者的編碼值，進(jìn)而得到其直方圖。之后將每一個子塊的方向二值模式直方圖和置信二值模式直方圖串聯(lián)起來，從而獲得局部方向二值模式的直方圖特征，然后將獲取的兩種掌紋特征通過加權(quán)串聯(lián)的方法實現(xiàn)特征融合，經(jīng)驗證，該方法取得了非常理想的識別率。雖然該方法識別結(jié)果非常理想，但在掌紋紋理特征的提取過程中計算量相對較大。

考慮到上述方法所面臨的問題，本文重點(diǎn)針對掌紋ROI 的多種特征進(jìn)行融合，同時從避免在掌紋紋理特征提取過程中計算量偏大的角度出發(fā)，提出了一種基于掌紋主線和紋理特征融合的掌紋識別方法。該方法首先利用數(shù)學(xué)形態(tài)學(xué)[12]-[13]對增強(qiáng)后的掌紋ROI 圖像進(jìn)行主線特征提取，然后再利用基于統(tǒng)一模式的LBP 算子[4]對其紋理特征進(jìn)行提取，從而使整個紋理特征提取過程更為簡捷實用，最后利用融合規(guī)則將提取到的兩種掌紋ROI 特征進(jìn)行融合，從而豐富掌紋ROI 的有效特征信息。對掌紋ROI 的各特征圖進(jìn)行直方圖數(shù)據(jù)統(tǒng)計，將統(tǒng)計到的直方圖數(shù)據(jù)作為特征向量輸入到SVM 多分類器進(jìn)行分類識別，得到識別結(jié)果。將識別結(jié)果與單一的主線和紋理特征的識別結(jié)果作對比，從而對多特征融合的掌紋方法的有效性進(jìn)行驗證。

1 掌紋主線和紋理特征相融合的掌紋特征提取算法

1.1 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)是一種數(shù)學(xué)工具，由Matheron、Serra 等提出,先后經(jīng)歷了二值形態(tài)學(xué)和灰度形態(tài)學(xué)的發(fā)展過程。運(yùn)用數(shù)學(xué)形態(tài)學(xué)可在一定程度上簡化圖像數(shù)據(jù)，使圖像的基本形狀特性得以保持,并把不相干的結(jié)構(gòu)剔除。因此，這種方法在研究中的各個領(lǐng)域均得到應(yīng)用，同樣，它也可以實現(xiàn)掌紋主線的提取。

形態(tài)學(xué)圖像處理的基本思想是利用預(yù)先定義的結(jié)構(gòu)元素（也可以將結(jié)構(gòu)元素當(dāng)作濾波窗口）對信號進(jìn)行匹配，達(dá)到提取信號，保持細(xì)節(jié)和抑制噪聲的目的。最基本的形態(tài)學(xué)運(yùn)算是膨脹，腐蝕，閉運(yùn)算和開運(yùn)算。

設(shè)f 為待處理的灰度掌紋圖像，b 為結(jié)構(gòu)元素。則膨脹運(yùn)算定義為：

對圖像做膨脹處理，一方面目標(biāo)物體中的空洞能得到很好的填充，另一方面目標(biāo)物體區(qū)域得到增大。另外，在一定程度上，它還具備去除噪聲和平滑目標(biāo)物體邊緣的功能。

腐蝕運(yùn)算定義為：

圖1：掌紋ROI 的處理效果圖

圖2：掌紋主線的形態(tài)學(xué)后置處理

對圖像做腐蝕處理，一方面可以剔除目標(biāo)物體的孤立邊緣點(diǎn)獲得平滑邊緣的效果，另一方面目標(biāo)物體區(qū)域?qū)p小。另外，它在一定程度上可將噪聲去除。

式（1-1）和式（1-2）中的Db 表示結(jié)構(gòu)元素b 的區(qū)域范圍，f表示待處理的掌紋圖像。由這兩個公式可以構(gòu)造出形態(tài)學(xué)中另外兩個重要的操作：開運(yùn)算和閉運(yùn)算。

閉運(yùn)算定義為：

對圖像進(jìn)行閉運(yùn)算，不僅可以將目標(biāo)物體中的空洞很好的填充，而且還可以把目標(biāo)物體的邊緣進(jìn)行平滑操作。另外，它還能去除噪聲。

開運(yùn)算定義為：

對圖像進(jìn)行開運(yùn)算，目標(biāo)物體的細(xì)小邊界點(diǎn)得到了有效地去除，同時能夠比較理想地分離目標(biāo)物體。另外，它能把目標(biāo)物體的邊緣進(jìn)行較好的平滑。

在開閉運(yùn)算的基礎(chǔ)上定義了Bothat 算子，也稱低帽變換，是圖像閉操作與原圖像之差，因為它具有檢測信號波谷的能力又稱為波谷檢測器。

由式（1-3）得到形態(tài)學(xué)Bothat 變換定義如下：

式中f 為輸入圖像，b 為結(jié)構(gòu)元素。

將增強(qiáng)后的掌紋ROI 區(qū)域利用結(jié)構(gòu)元素b 進(jìn)行Bothat 運(yùn)算，目的是把處在“波谷”的信息檢測出來。同時為了將“波谷”信息與掌紋ROI 的黑色背景區(qū)域分開，本文利用大津發(fā)(OTSU)對Bothat 處理后的掌紋ROI 增強(qiáng)圖像進(jìn)行二值化，實驗效果如圖1(c)所示，結(jié)構(gòu)元素b 的選取如式（1-6）所示。

從圖1(c)可以看出：由于掌紋圖像噪聲和手掌乳突紋等客觀存在，因此在一定程度上形成了干擾因素，從而導(dǎo)致一定量的偽特征點(diǎn)存在，這將嚴(yán)重限制識別準(zhǔn)確率。因此為了提高識別準(zhǔn)確率，就要對干擾點(diǎn)進(jìn)行消除，這就需要對圖1(c)的實驗結(jié)果繼續(xù)采用數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行后置處理，處理步驟如下：

（1）消除干擾點(diǎn)：采用形態(tài)學(xué)開運(yùn)算實現(xiàn)干擾點(diǎn)的消除，其中結(jié)構(gòu)元素的選取是問題的關(guān)鍵，原因在于結(jié)構(gòu)元素選大了，固然容易去除干擾點(diǎn)，但同時也容易刪除紋線上不連續(xù)的細(xì)小紋線。而選小了，又達(dá)不到去除干擾點(diǎn)的目的，綜合二者，本文選用了3×3的結(jié)構(gòu)元素b1，如式（1-7）所示，效果見圖1.2(a)。

（2）進(jìn)一步消除細(xì)小干擾點(diǎn)：從圖2(a)可以發(fā)現(xiàn)，經(jīng)形態(tài)學(xué)開運(yùn)算處理后的圖像干擾點(diǎn)有了明顯的減少，但還有一些細(xì)小的干擾點(diǎn)存在。為了刪除這些細(xì)小的干擾點(diǎn)，首先統(tǒng)計圖像經(jīng)開運(yùn)算處理后的白色連通區(qū)域，然后選擇一個小區(qū)域，該區(qū)域明顯小于主線的連通區(qū)域，但比細(xì)小干擾點(diǎn)的區(qū)域要大，利用這個小區(qū)域?qū)﹂_運(yùn)算處理后的圖像進(jìn)行從上到下，自左向右的掃描，若當(dāng)前連通區(qū)域小于本文選定的小區(qū)域，則被過濾掉，反之，則保留。經(jīng)處理后的圖像如圖2(b)所示。

（3）連接斷裂的掌紋紋線：從圖2(b)可以看出，圖像的干擾點(diǎn)基本上已經(jīng)被去除了，但由于掌紋主線經(jīng)過前幾步形態(tài)學(xué)的處理，使一些原本連接的主線存在細(xì)小的斷裂，因此需要一個形態(tài)學(xué)閉運(yùn)算將斷開的主線進(jìn)行連接。鑒于掌紋紋線的走勢，需要對結(jié)構(gòu)元素進(jìn)行合適的選取?？紤]到通用的結(jié)構(gòu)元素基本上不存在，結(jié)合自己提取的掌紋ROI 區(qū)域大都來自掌紋庫的右手圖像，其紋線走向如圖1(a)所示。因此，本文選用結(jié)構(gòu)元素b2 進(jìn)行掌紋主線特征的提取，其效果如圖2(c)所示，可以看到一些斷開的紋線經(jīng)閉運(yùn)算操作后得到了有效的連接，結(jié)構(gòu)元素b2 的選取如式（1-8）所示。

（4）加粗：從圖2(c)可以看出，一些斷開的紋線經(jīng)閉運(yùn)算操作后得到了有效的連接。由于閉運(yùn)算是先膨脹后腐蝕，而腐蝕后的紋線會變得相對細(xì)一些，因此需要對其進(jìn)行適當(dāng)?shù)募哟植僮?，得到的效果如圖2(d)所示。此時，完成了掌紋主線特征的提取。

1.2 局部二值模式

局部二值模式[4][9][14]-[16]于1996年被芬蘭奧盧大學(xué)的Ojala T 教授等人提出，該算子可以對紋理進(jìn)行較好的描述。LBP 算子的顯著優(yōu)點(diǎn)是旋轉(zhuǎn)不變性與灰度不變性，使用該算子得到的紋理信息更加穩(wěn)定，計算量較少，能夠捕獲更多的細(xì)節(jié)信息，并能壓縮冗余信息。

1.2.1 原始局部二值模式

原始的局部二值模式(LBP)會選用一個3×3 大小的窗口，該窗口中心位置的像素點(diǎn)就是閾值，將這個點(diǎn)周圍的8 個點(diǎn)的灰度值分別與其進(jìn)行比較，如果其周圍像素點(diǎn)的值比中心點(diǎn)的像素值大，就把該像素點(diǎn)的位置標(biāo)為1，反之則標(biāo)為0。這樣，一個點(diǎn)在3×3 鄰域內(nèi)的8 個像素點(diǎn)就產(chǎn)生了一個無符號數(shù)，之后根據(jù)其位置的不同賦予的權(quán)重也不同，通過求和會得到一個整數(shù)，也就是該點(diǎn)的LBP值，該值反映了選定區(qū)域的紋理信息。LBP 算子的計算公式如下：

其中，ic為窗口中心像素(xc, yc)的灰度值，為8 個相鄰像素的灰度值，函數(shù)s(x)定義如下：

將增強(qiáng)后的掌紋ROI 圖利用LBP 算子進(jìn)行紋理特征提取，其效果如圖3(b)所示。

由于原始的LBP 算子只覆蓋了一個固定半徑范圍內(nèi)的小區(qū)域，導(dǎo)致大尺寸結(jié)構(gòu)紋理特征無法提取。因此，本文采用改進(jìn)的局部二值模式(基于統(tǒng)一模式的LBP 算子)對增強(qiáng)后的掌紋ROI 進(jìn)行紋理特征提取。

1.2.2 改進(jìn)的局部二值模式

基于統(tǒng)一模式的LBP 算子是Ojala 對原始局部二值模式的改進(jìn)，該模式有一個共同的特點(diǎn)，即最多只包含兩次從1 到0 或從0 到1的跳變。因此，Ojala 定義了統(tǒng)一模式的LBP 算子：LBP 所對應(yīng)的循環(huán)二進(jìn)制數(shù)從1 到0 或從0 到1 最多有兩次跳變，它的定義如式（1-11）所示。

基于統(tǒng)一模式的LBP 算子對圖像的暗亮點(diǎn)、邊緣和平滑區(qū)域等都具有較好的描述能力，且該算子不僅可以表示紋理特征的基本信息，同時也能起到降維、減少二進(jìn)制模式種類的作用。為了和原始LBP 算子形成對比，系統(tǒng)選用3×3 鄰域即算子對增強(qiáng)后的掌紋ROI 區(qū)域圖像進(jìn)行紋理特征提取，處理效果如圖4 所示。

1.2.3 多特征融合

由于數(shù)學(xué)形態(tài)學(xué)在提取掌紋主線特征的過程不涉及掌紋紋理特征，得到的特征圖僅僅包含掌紋的三大主線，從而導(dǎo)致提取的掌紋特征過于單一。而基于統(tǒng)一模式的LBP 算子主要針對增強(qiáng)后的掌紋ROI 的紋理特征進(jìn)行提取，而不注重主線特征，導(dǎo)致提取的特征也較為單一。因此，本文利用多特征融合的思想將本文增強(qiáng)方法增強(qiáng)后的掌紋ROI 經(jīng)數(shù)學(xué)形態(tài)學(xué)和基于統(tǒng)一模式的LBP 算子獲得的掌紋主線特征和紋理特征進(jìn)行融合。

由于利用數(shù)學(xué)形態(tài)學(xué)提取增強(qiáng)后的掌紋ROI 主線特征數(shù)據(jù)是邏輯型，而用基于統(tǒng)一模式的LBP 算子提取增強(qiáng)后的掌紋ROI 紋理特征數(shù)據(jù)是uint8 型，所以無法使用融合規(guī)則直接將兩種特征圖像進(jìn)行融合?？紤]到邏輯型數(shù)據(jù)的特點(diǎn)是非0 即1，因此本文首先將增強(qiáng)后的掌紋ROI 主線特征的數(shù)據(jù)值域線性映射到[0,1]閉區(qū)間上，然后再將該ROI的紋理特征的數(shù)據(jù)值域由0-255線性映射到[0,1]閉區(qū)間內(nèi)，以便使用融合規(guī)則進(jìn)行融合。現(xiàn)用y1(i,j)表示增強(qiáng)后的掌紋ROI 的主線特征經(jīng)數(shù)據(jù)轉(zhuǎn)換后的主線特征數(shù)據(jù)，y2(i,j)表示增強(qiáng)后的掌紋ROI 的紋理特征經(jīng)數(shù)據(jù)轉(zhuǎn)換后的紋理特征數(shù)據(jù)，y3(i,j)則表示利用融合規(guī)則實現(xiàn)該ROI 主線特征數(shù)據(jù)和紋理特征數(shù)據(jù)相融合的多特征數(shù)據(jù)，融合規(guī)則如式（1-12）所示。由式（1-12）可知，其融合過程是對掌紋ROI 的主線和紋理特征數(shù)據(jù)的每一個數(shù)據(jù)按照由左至右，從上到下的順序進(jìn)行比較，將數(shù)值大的作為融合圖像的數(shù)據(jù)值。之所以將數(shù)值大的作為融合圖像的數(shù)據(jù)值，是因為增強(qiáng)后的掌紋ROI 主線特征經(jīng)數(shù)學(xué)形態(tài)學(xué)等一系列操作處理后，提取到的主線特征數(shù)據(jù)經(jīng)數(shù)據(jù)轉(zhuǎn)換后會以數(shù)值1 的形式存儲于計算機(jī)中，背景區(qū)域則以數(shù)值0 的形式存儲在計算機(jī)內(nèi)，而紋理特征數(shù)據(jù)經(jīng)數(shù)據(jù)轉(zhuǎn)換后被線性映射到[0,1]閉區(qū)間內(nèi)。因此選取值大的一方作為融合圖像的數(shù)據(jù)值，是為了將增強(qiáng)后的掌紋ROI 的紋理特征覆蓋在相應(yīng)的主線特征圖的背景區(qū)域上，而主線特征的數(shù)值1 所在區(qū)域要比紋理特征的數(shù)據(jù)值大，所以主線特征會被很好的體現(xiàn)出來。各增強(qiáng)方法的主線、紋理特征融合后的效果如圖5 所示。

表1：掌紋主線、紋理和多特征融合的識別結(jié)果對比

表2：掌紋多特征圖分塊識別比較

表3：本文方法與基于子空間與紋理特征融合方法的比較

圖3：原始LBP 算子效果圖

圖4：原始LBP 算子效果圖

圖5：多特征融合后的圖像

本文分別對主線、紋理以及多特征融合后的特征圖的直方圖數(shù)據(jù)進(jìn)行統(tǒng)計，進(jìn)而得到各特征圖的特征向量并保存，為后續(xù)的分類識別階段做準(zhǔn)備。

2 分類識別

由于掌紋識別是一個多分類問題，因此需要采用SVM[17]-[21]實現(xiàn)掌紋的多分類識別。本文構(gòu)建的SVM 多分類網(wǎng)絡(luò)是通過使用多個SVM 二分類器實現(xiàn)掌紋的多分類，如果有n 類樣本，則需要構(gòu)造n(n-1)/2 個SVM 子分類器。對于需要進(jìn)行驗證的樣本，一次性調(diào)用n(n-1)/2 個子分類器，然后每一個子分類器都會對其投票，最后統(tǒng)計票數(shù)，如果某一類的票數(shù)是最多的，則將該驗證樣本劃分到那一類。

利用SVM 進(jìn)行分類識別的過程如下：

2.1 對數(shù)據(jù)做歸一化處理

經(jīng)特征提取后的樣本數(shù)據(jù)集被分為訓(xùn)練集和測試集，再對訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)做歸一化處理，目的是為了避免大數(shù)值區(qū)間的屬性過分支配小數(shù)值區(qū)間的屬性，同時也可避免計算過程中的數(shù)值復(fù)雜度。

2.2 RBF核函數(shù)的選取

經(jīng)Vapnik 等人的研究表明，SVM 的性能與核函數(shù)的選擇關(guān)系并不大[4]，但核函數(shù)的參數(shù)以及懲罰系數(shù)對SVM 的性能卻有著重要的影響。目前最常用的核函數(shù)是RBF 核函數(shù)，即高斯核函數(shù)，該核函數(shù)的優(yōu)點(diǎn)是可以實現(xiàn)線性核函數(shù)的所有功能，反之則不成立；RBF 核函數(shù)需要的訓(xùn)練參數(shù)比多項式核函數(shù)少，且分類器較為簡單。因此本文選用高斯核作為SVM 的核函數(shù)。

2.3 最優(yōu)懲罰系數(shù)C和核函數(shù)的參數(shù)g的選取

關(guān)于SVM 最優(yōu)參數(shù)的選取，國際上并沒有公認(rèn)統(tǒng)一的最好的方法，因此本文將訓(xùn)練集作為原始數(shù)據(jù)集并利用交叉驗證法進(jìn)行最優(yōu)參數(shù)尋找，即將訓(xùn)練集驗證分類準(zhǔn)確率最高的那組C 和g 作為最優(yōu)參數(shù)。

2.4 訓(xùn)練分類模型

將選定的RBF 核函數(shù)和最優(yōu)參數(shù)C、g 以及歸一化處理后的訓(xùn)練集數(shù)據(jù)及其對應(yīng)的編號輸入到構(gòu)建的SVM 網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.5 進(jìn)行驗證樣本的測試

訓(xùn)練集數(shù)據(jù)經(jīng)第（4）步處理后會得到訓(xùn)練模型，依據(jù)訓(xùn)練模型將歸一化處理后的測試集數(shù)據(jù)及其對應(yīng)的編號輸入到構(gòu)建的SVM 網(wǎng)絡(luò)進(jìn)行分類，從而得到識別結(jié)果。

3 實驗結(jié)果及分析

為了對本文算法有效性進(jìn)行驗證，我們從中科院掌紋庫中挑選45 組，每組8 幅圖片且均來自同一個人的同一只手，共360 個掌紋樣本。將這些掌紋圖片進(jìn)行預(yù)處理、特征提取后，每組每張掌紋ROI 圖片都對應(yīng)著自己的特征向量。為了便于后續(xù)的多分類識別，需要對這些特征向量進(jìn)行編號處理，從而進(jìn)行類別劃分，即第一組的8 張掌紋ROI 圖片對應(yīng)的特征向量統(tǒng)一編號為第1 類，第二組的8 張掌紋ROI 圖片對應(yīng)的特征向量統(tǒng)一編號為第2 類，依此類推，則掌紋樣本的類別數(shù)目是45 個。之后從每類隨機(jī)選取4 張掌紋ROI 圖片對應(yīng)的特征向量(共180 個特征向量)構(gòu)造訓(xùn)練集并輸入到SVM 進(jìn)行訓(xùn)練，將剩下的每類四張掌紋ROI 圖片對應(yīng)的特征向量(也是180 個特征向量)作為測試集，輸入到SVM 進(jìn)行分類，同時輸出識別率和所消耗的時間。

本文將掌紋ROI 主線特征圖、紋理特征圖和多特征融合后的特征圖所對應(yīng)的特征向量均采用SVM 分類器進(jìn)行分類識別，得到識別結(jié)果。對單、多特征的識別結(jié)果進(jìn)行對比，從而證明基于本文增強(qiáng)方法的多特征融合算法的有效性，實驗結(jié)果如表1 所示。

從表1 可以看出：多特征融合后的識別結(jié)果高于主線和紋理特征的識別結(jié)果，且識別消耗時間較為理想，進(jìn)而證明基于本文增強(qiáng)方法的多特征融合算法的有效性。為了進(jìn)一步提升識別率，本文將多特征融合的圖像進(jìn)行分塊處理，統(tǒng)計每塊子圖的直方圖數(shù)據(jù)并將其排列后作為特征向量輸入到SVM 分類器進(jìn)行分類識別，實驗結(jié)果如表2 所示。

從表2 可知：共有四組實驗數(shù)據(jù)。從特征維數(shù)來看，第一組為基于本文增強(qiáng)方法的多特征融合圖不經(jīng)分割直接統(tǒng)計直方圖數(shù)據(jù)，該組特征維數(shù)是256 維。第二組是進(jìn)行2×2 的分割，共得到4 幅子圖，然后統(tǒng)計每幅子圖的直方圖數(shù)據(jù)并將其進(jìn)行排列，構(gòu)成特征向量，該組維數(shù)是1024 維。第三組進(jìn)行了3×3 的分割，其特征維數(shù)是2304 維。第四組則是4×4 的分割，雖然該組分割最為細(xì)致，但其特征維數(shù)高達(dá)4096 維。從識別率和識別時間來看，隨著分塊數(shù)目的增多，識別率并非遞增，而是達(dá)到一個最高值后呈現(xiàn)下降的趨勢，即當(dāng)分塊數(shù)目為3×3 時，識別率最高，且識別消耗時間相對理想。而當(dāng)分塊數(shù)目為4×4 時，不僅識別率會降低而且識別時間也有所增加。究其原因是因為過多的分塊會導(dǎo)致信息冗余和特征維數(shù)增加，從而降低識別率和延長識別時間。

為了對本文識別結(jié)果的有效性進(jìn)行驗證，本文與文獻(xiàn)[11]的方法作對比。該文獻(xiàn)提出的基于子空間與紋理特征融合的方法是一種多特征融合算法，和本文方法在一定程度上是非常相似的。利用穩(wěn)健線性判別分析和局部方向二值模式分別獲取掌紋圖像的子空間特征和紋理特征；基于加權(quán)串聯(lián)方法實現(xiàn)子空間特征與紋理特征的有效融合。

本文將文獻(xiàn)[11]所提方法和本文方法均在同一個掌紋樣本數(shù)據(jù)集上分別進(jìn)行預(yù)處理、特征提取等相關(guān)操作，得到特征向量。再使用SVM 分類器進(jìn)行識別率的驗證，并比較兩種方法的識別結(jié)果，如表3 所示。

通過表3 可知，本文方法在識別率上比文獻(xiàn)[11]提出的方法高出了1.12%。究其原因是因為本文在預(yù)處理環(huán)節(jié)對掌紋ROI 區(qū)域的特征信息進(jìn)行了有效的增強(qiáng)，從而在特征提取階段可獲得更為豐富的掌紋ROI 特征信息因此可獲得更高的識別率，這進(jìn)一步表明本文方法的改進(jìn)效果是有效的。

4 結(jié)論

本文提出了一種基于掌紋主線和紋理特征融合的掌紋識別方法。該方法重點(diǎn)針對掌紋ROI 的多種特征進(jìn)行融合，同時從避免在掌紋紋理特征提取過程中計算量偏大的角度出發(fā)，利用數(shù)學(xué)形態(tài)學(xué)對增強(qiáng)后的掌紋ROI 圖像進(jìn)行主線特征提取，然后再利用基于統(tǒng)一模式的LBP 算子對其紋理特征進(jìn)行提取，從而使整個紋理特征提取過程更為簡捷實用，最后利用融合規(guī)則將提取到的兩種掌紋ROI 特征進(jìn)行融合，從而豐富掌紋ROI 的有效特征信息。對各特征圖進(jìn)行直方圖數(shù)據(jù)統(tǒng)計，將統(tǒng)計到的直方圖數(shù)據(jù)作為特征向量輸入到SVM 多分類器進(jìn)行分類識別，實驗結(jié)果表明多特征融合的掌紋ROI 圖像取得的識別率更高。再將識別率最高的特征圖進(jìn)行分塊處理并與其他方法作對比，實驗結(jié)果表明當(dāng)分塊數(shù)目為3×3 時識別率最高，且高于基于子空間與紋理特征融合的識別率。