基于局部方向場(chǎng)散列的掌紋快速辨識(shí)方法

陳 曦, 于 明, 岳 峰

(1. 河北工業(yè)大學(xué)電子信息工程學(xué)院,天津 300401；2.北京科學(xué)技術(shù)研究院北京市新技術(shù)應(yīng)用研究所,北京 100089;3.河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院,天津 300401)

掌紋識(shí)別近年來備受研究者關(guān)注，并且提出了多種掌紋識(shí)別方法，包括基于紋理[1]、基于方向編碼[2]、基于局部描述符[3]、基于深度神經(jīng)網(wǎng)絡(luò)[4-6]等。掌紋識(shí)別系統(tǒng)因其在安全性的可靠表現(xiàn)成為出入管控、身份鑒別等應(yīng)用領(lǐng)域的理想解決方案。

掌紋識(shí)別系統(tǒng)通過比較查詢掌紋與存儲(chǔ)模板的相似度來進(jìn)行身份辨識(shí)。研究發(fā)現(xiàn)系統(tǒng)識(shí)別的準(zhǔn)確性和處理速度將會(huì)隨著注冊(cè)人數(shù)的上升而下降[7]。然而很多系統(tǒng)需要面向大規(guī)模人群進(jìn)行身份辨識(shí)，因此加速識(shí)別過程不僅可以減少系統(tǒng)響應(yīng)時(shí)間，而且可以通過采用更復(fù)雜的匹配算法，為提高識(shí)別精度提供可能性[8]?，F(xiàn)有的快速掌紋識(shí)別方法可以大致分為層次匹配法、掌紋分類法和基于樹形結(jié)構(gòu)的識(shí)別方法和基于散列的識(shí)別方法。

層次匹配方法[9]通常會(huì)提取多種簡(jiǎn)單特征，然后以分層的方式快速搜索目標(biāo)。因此，這類方法可以構(gòu)建多層搜索結(jié)構(gòu)，從而在單個(gè)層中排除較少候選目標(biāo)。分層匹配方法的缺點(diǎn)是在搜索終止之前產(chǎn)生目標(biāo)丟失的情況。

掌紋分類方法是指將掌紋分成幾個(gè)類別，然后將輸入圖像與其對(duì)應(yīng)類中的模板進(jìn)行匹配[10]。這種方法的缺點(diǎn)是根據(jù)初始分類規(guī)則，可能會(huì)將查詢掌紋和目標(biāo)模板置于不同的類別中，從而無法成功進(jìn)行匹配。因此，盡管這兩種策略在加速識(shí)別過程方面都取得了不錯(cuò)的性能，但它們會(huì)造成明顯的精度損失。

2009年，Yue等[11]提出了一種基于覆蓋樹的快速掌紋識(shí)別方法，隨后通過優(yōu)化樹結(jié)構(gòu)對(duì)其進(jìn)行了改進(jìn)[12]。結(jié)果表明，該方法可以顯著加快識(shí)別過程，而且相對(duì)于傳統(tǒng)的蠻力搜索，沒有任何精度損失。但是由于在搜索過程中必須查詢到注冊(cè)者的至少一個(gè)模板，因此在搜索加速上受到一定限制。

受到模糊數(shù)據(jù)快速檢索的啟發(fā)，Yue等[13]提出了一種基于散列的快速掌紋識(shí)別方法主方向模式散列(POP hashing)。POP hashing設(shè)計(jì)了一種主方向模式(POP)作為散列函數(shù)，從而通過減少目標(biāo)的搜索范圍而加速識(shí)別過程。實(shí)驗(yàn)結(jié)果表明其在幾乎不損失精度的前提下比蠻力搜索方式快十倍以上。此外，與序數(shù)編碼(ordinal code)，魯棒線編碼(RLOC)等方法的對(duì)比結(jié)果證明，POP Hashing在精度和速度上都優(yōu)于這些方法。

為此，定義一種新的散列模式，稱為局部方向場(chǎng)模式。并根據(jù)其設(shè)計(jì)了一種新的快速掌紋識(shí)別方法局部方向場(chǎng)編碼(LOFP hashing)。在公共數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明，LOFP hashing可以將POP hashing的識(shí)別速度顯著提升3～10倍。

1 散列與基于散列的掌紋識(shí)別方法

散列是一種旨在對(duì)目標(biāo)數(shù)據(jù)分塊的技術(shù)，它通過散列函數(shù)為每個(gè)數(shù)據(jù)標(biāo)定一個(gè)散列值，每個(gè)散列值對(duì)應(yīng)若干數(shù)據(jù)。在搜索特定目標(biāo)時(shí)，通過散列的方式可以將搜索空間從整個(gè)數(shù)據(jù)庫(kù)轉(zhuǎn)化成特定子空間中的數(shù)據(jù)，這樣可以通過縮小搜索范圍來提高搜索效率。圖1為簡(jiǎn)化的數(shù)據(jù)散列示意圖。

圖1 數(shù)據(jù)散列過程示例Fig.1 An example of the hashing process

文獻(xiàn)[13-14]證實(shí)，基于方向編碼的掌紋識(shí)別技術(shù)可以通過散列的方式顯著提升搜索效率。由于方法采用了類似的散列框架，因此將簡(jiǎn)要介紹文獻(xiàn)[13]中快速掌紋識(shí)別方法POP hashing。

在預(yù)處理階段，POP hashing首先提取掌紋圖像的D=1 024個(gè)方向特征，并將特征所屬的用戶ID依次索引至散列表H。同時(shí)，還需要建立一個(gè)位移表S和尺度表O(tabO)。位移表S用于記錄編號(hào)為1～1 024的特征在散列表H(tabH)的起始位置。尺度表O用于記錄散列表H中每個(gè)位置所包含的用戶ID數(shù)量。

在搜索階段，該方法定義了一種散列函數(shù)，稱為主方向模式(POP)，它包含K個(gè)不鄰接的主方向特征。主方向特征(POF)是指位于手掌三條主線位置的特征，POF的穩(wěn)定性高、一致性強(qiáng)[15]。POP hashing通過一組Gabor濾波器對(duì)掌紋圖像卷積后，將響應(yīng)強(qiáng)度前10%的方向特征選為POF。然后，將每個(gè)POP在散列表H中進(jìn)行搜索，當(dāng)其K個(gè)POF檢索到的用戶ID有交集時(shí)，稱為一次碰撞。查詢樣本與真實(shí)目標(biāo)的碰撞稱為真碰撞，否則稱為假碰撞。POP hashing采用多碰撞策略，當(dāng)候選目標(biāo)的碰撞次數(shù)達(dá)到C，認(rèn)為找到了疑似目標(biāo)，將其與查詢樣本進(jìn)行全匹配，并通過匹配得分判斷是否成功命中目標(biāo)。

隨后，Yue等[14]改進(jìn)了POP Hashing，提出了A-POP hashing算法。A-POP hashing在預(yù)處理階段，僅用P=0.5D個(gè)響應(yīng)強(qiáng)度較高的特征建立tabH，不僅減少了全匹配的次數(shù)，還可以減少約50%的存儲(chǔ)空間。

綜合速度與識(shí)別準(zhǔn)確度，POP和A-POP hashing是面向大規(guī)模數(shù)據(jù)庫(kù)的掌紋識(shí)別算法中最具優(yōu)勢(shì)的方法。

2 方法

由圖1可知，有若干數(shù)據(jù)共享相同的散列值。同一散列值對(duì)應(yīng)的數(shù)據(jù)量越多，假碰撞的概率越高，查找的復(fù)雜度越高。對(duì)于POP hashing，通過POP包含的K個(gè)方向特征以及閾值為C的多碰撞策略，可以將散列后的子空間大小，即共享相同散列值的模板數(shù)量限制在χ左右，如式(1)所示：

(1)

式(1)中：B為方向編碼的數(shù)量，對(duì)于POP hashing，B=6；N為數(shù)據(jù)庫(kù)中模板的總數(shù)。因此為了進(jìn)一步降低查找復(fù)雜度，可以通過增加B、K或C來實(shí)現(xiàn)。然而，K或C的增加會(huì)造成識(shí)別準(zhǔn)確率下降，因此它們的選擇要平衡速度和精度。而且使用二維Gabor濾波器對(duì)圖像卷積是一個(gè)復(fù)雜度較高的運(yùn)算，因此通過增加濾波器數(shù)量來增加B并不可行。使用基于梯度的方向場(chǎng)來進(jìn)行掌紋方向特征提取和POF篩選。

2.1 掌紋方向特征提取和POF篩選

基于梯度的方向場(chǎng)被廣泛用于方向特征提取。相對(duì)于Gabor濾波器組，它可以在有限的時(shí)間耗費(fèi)下得到每個(gè)位置連續(xù)而非離散的方向表達(dá)?；谔荻确较驁?chǎng)在圖像坐標(biāo)(m,n)上的梯度強(qiáng)度δ和方向θ可以根據(jù)式(2)、式(3)得到：

(2)

(3)

式中：Gx(i,j)和Gy(i,j)分別為由Sobel濾波器與掌紋圖像卷積得到的水平和垂直方向的梯度響應(yīng)；W為濾波器的尺寸。由于基于梯度的方法容易受到噪聲的影響，因此通過式(4)，對(duì)得到的方向θ進(jìn)行一致性評(píng)估，一致性權(quán)重φ是介于0～1的值，φ越高，θ的可靠性越強(qiáng)。

(4)

然后，通過對(duì)加權(quán)梯度強(qiáng)度κ=δφ進(jìn)行降序排列來檢測(cè)主方向特征POF。圖2為隨機(jī)選取兩個(gè)手掌的不同樣本，根據(jù)排序后κ前10%的方向特征選取的POF。從圖2可以看出，檢測(cè)出的POF基本都位于主線相關(guān)區(qū)域，而且不同樣本間重合度很高。在100個(gè)掌的實(shí)際測(cè)試中，POF的位置重合度達(dá)71.2%，重合的POF具有相同方向編碼的比例是92.4%。而在κ排序靠后10%的方向特征重合度為38.6%，重合點(diǎn)具有相同編碼的比例僅為34.8%。因此，根據(jù)方法檢測(cè)的POF具有很強(qiáng)的一致性。

圖2 兩個(gè)手掌不同樣本檢測(cè)的POFFig.2 POFs across the samples of two subjects

2.2 特征雙編碼方法

檢測(cè)到POF后，需要對(duì)它們連續(xù)的特征方向θ進(jìn)行離散化編碼。傳統(tǒng)方向編碼方式有兩個(gè)缺點(diǎn)。首先，絕大多數(shù)情況下θ會(huì)落在兩個(gè)離散編碼值之間的區(qū)域[16]，也就是說，用單個(gè)編碼表示連續(xù)方向并不精確。如圖3(a)所示，當(dāng)θ處于編碼C3和C4之間的區(qū)域，無論哪個(gè)編碼都無法精確表達(dá)θ；當(dāng)θ處在編碼邊界時(shí)，編碼存在不穩(wěn)定的情況，稱這種情況為邊界漂移(boundary-shifting)。如圖3(b)所示，fα和fβ表示兩個(gè)方向特征，它們的連續(xù)方向表達(dá)分別為θ-ε和θ+ε，其中ε>0且足夠小。若θ處于編碼Cα和Cβ的邊界，它們會(huì)被分別編碼為Cα和Cβ。由于二者方向非常接近，因此更合理的方式是將它們編碼為相同的值。

圖3 傳統(tǒng)編碼方式存在的缺陷Fig.3 Disadvantages of single-orientation encoding method

根據(jù)式(1)，為了降低目標(biāo)搜索的復(fù)雜度，選取了相對(duì)于POP hashing更大的編碼數(shù)量B=18。隨著B的增長(zhǎng)，每個(gè)離散編碼可以表達(dá)的方向更為精確，因此圖3(a)中的影響會(huì)降低。但是由于編碼邊界更為密集，因此圖3(b)中邊界漂移的情況會(huì)愈發(fā)頻繁地出現(xiàn)。因此，提出一種稱為方向場(chǎng)編碼(OFC)的雙編碼方式，除了根據(jù)傳統(tǒng)方式將θ編碼為主導(dǎo)碼Cd，還將其最近鄰的碼域所屬的碼值編為輔助碼Ca。即α=(Cd,Ca)，定義如式(5)所示：

(5)

根據(jù)這種方式，一副掌紋圖像的所有P個(gè)POF被雙編碼為β={ap}，p=1,2,…,P。對(duì)于任意兩個(gè)編碼Cα和Cβ，它們之間的距離被定義為γ，如式(6)所示。

γ(Cα,Cβ)=min(Cα-Cβ,B-Cα-Cβ)

(6)

(7)

(8)

進(jìn)一步，將每個(gè)編碼表達(dá)為9層18位的比特碼形式，如表1所示。那么式(5)中的兩個(gè)編碼可以改寫為式(9)的形式。

表1 OFC的9層18位比特碼Table 1 9-layer,18 bits representation of OFC

(9)

式(9)中：bl為第l層的18位比特碼，而式(6)可以被重新表達(dá)為Hamming距離γ：

(10)

式(10)中：?表示邏輯異或操作，這樣不僅可以方便編碼在計(jì)算機(jī)當(dāng)中存儲(chǔ)，還能使編碼距離的計(jì)算非常便捷[17-19]。

最終，兩個(gè)OFC編碼的匹配得分通過非線性距離度量方式計(jì)算。

(11)

2.3 局部方向場(chǎng)模式與LOFP Hashing

2.3.1 局部方向場(chǎng)模式

為了解決查詢樣本與模板沒有精確配準(zhǔn)的問題，搜索階段在查詢碰撞時(shí)需要在對(duì)查詢目標(biāo)進(jìn)行位置平移，這個(gè)過程會(huì)帶來不可忽視的計(jì)算壓力。以POP hashing為例，它需要在水平和豎直方向上進(jìn)行[-2,+2]的移動(dòng)，因此樣本與模板之間需要嘗試25種配準(zhǔn)方式。如果能夠在不損失精度的情況下減少這些嘗試，搜索的復(fù)雜度將至多減少96%。

圖4 LOFP示意圖Fig.4 An example of LOFP

(12)

2.3.2 LOFP Hashing

在預(yù)處理階段，提出一種基于窗口碼圖CM構(gòu)建散列表H的方法，具體方法如算法1所示。用這種結(jié)構(gòu)，可以方便地記錄每個(gè)POF的雙編碼以及在圖像坐標(biāo)系下坐標(biāo)到LOFP區(qū)域索引號(hào)?的轉(zhuǎn)換。其中算法1第3行中坐標(biāo)(x,y)到區(qū)域索引號(hào)的映射方法如式(13)所示。

算法1 窗口碼圖的構(gòu)建

輸入：POF數(shù)量P；OFC編碼OC={ap}，p=1,2,…,P；POF坐標(biāo)POS

輸出：窗口碼圖CM

CM=NULL//初始化

fori=1 toPdo

?=Get_Wnd_Idx(POS(i)) //坐標(biāo)映射

Ccode=αi//獲取OFC雙編碼

CM[?][Ccode(0)]=TRUE //主導(dǎo)碼位置

CM[?][Ccode(1)]=TRUE //輔助碼位置

end for

(13)

在搜索階段，對(duì)于一個(gè)LOFP的二元表達(dá){P=·,V=*}，檢索目標(biāo)身份信息，即第1節(jié)中所述的碰撞檢測(cè)方式如下：首先，根據(jù)位移表O[·][*]找到記錄對(duì)應(yīng)散列值子空間的起始位置。然后，根據(jù)尺度表S[·][*]找到H中記錄的子空間大小。最后，根據(jù)子空間起始位置與大小返回所有模板的身份信息。如圖5所示。

圖5 散列表搜索示意圖Fig.5 Searching the hash tables

詳細(xì)的碰撞檢測(cè)方法由算法2給出，變量Cs用于統(tǒng)計(jì)查詢掌紋的LOFP中，在H的窗口碼圖CM有對(duì)應(yīng)記錄的數(shù)量，如果等于K，表示發(fā)生一次碰撞(算法2中的第13行)，然后將相應(yīng)的用戶ID插入到待檢隊(duì)列Cd，并更新碰撞計(jì)數(shù)器c(算法2中的第21行)。當(dāng)a中某個(gè)元素超過碰撞閾值C，認(rèn)為找到候選目標(biāo)，將輸出對(duì)應(yīng)模板ID，進(jìn)行全匹配。

算法2 碰撞檢測(cè)

輸出：碰撞計(jì)數(shù)器a

a=0 //初始化

Cd=NULL //初始化待檢隊(duì)列

Cs=NULL

fork=1 toKdo //逐個(gè)檢測(cè)

forz=1 toZkdo //逐個(gè)檢測(cè)

of=O[?k][Ccode] //起始位置

size=S[?k][Ccode] //子空間的大小

forsz=1 tosizedo //檢測(cè)窗口碼圖CM

IfCM[?k][Ccode]=TRUE //CM有對(duì)應(yīng)值

ID=H[of+sz]

Cs[ID]=Cs[ID]+1

IfCs[ID]=K

Insert(Cd,ID) //插入隊(duì)列

end if

end if

end forsz

end forz

end fork

forl=1 to Length(Cd)

c[Cd(l)]=c[Cd(l)]+1 //更新計(jì)數(shù)器

end forl

在方法上，LOFP hashing采用了與POP hashing相似的框架。所提出的方法與其主要區(qū)別在于以下三點(diǎn)。

(1)基于梯度的方向場(chǎng)能夠以較少計(jì)算代價(jià)提取特征的連續(xù)方向表達(dá)θ，利用式(3)、式(4)得到的一致性加權(quán)梯度強(qiáng)度可以提取到穩(wěn)定的POF。

(2)根據(jù)式(1),選取的較大的編碼范圍B使方向特征更具有區(qū)分度。OFC雙編碼方式不僅可以消除邊界漂移和提高編碼對(duì)連續(xù)方向θ的表達(dá)準(zhǔn)確性，同時(shí)可以根據(jù)式(10)、式(11)，以很小的存儲(chǔ)和運(yùn)算代價(jià)得到編碼間的相似度得分。

(3)窗口化的特征表達(dá)方式LOFP可以去除檢測(cè)碰撞時(shí)的位置平移過程，至多減少96%的碰撞檢測(cè)次數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 測(cè)試數(shù)據(jù)庫(kù)

使用三個(gè)大型公開數(shù)據(jù)庫(kù)，簡(jiǎn)介如下。

(1)香港理工大學(xué)大型掌紋數(shù)據(jù)庫(kù)(DB1)[20]：包含9 667個(gè)手掌，共93 638張圖像。數(shù)據(jù)庫(kù)中，約86%的受試者是學(xué)生，約12%是工人，約1%是老人，1%是其他人。

(2)中國(guó)科學(xué)院掌紋數(shù)據(jù)庫(kù)(DB2-R)[21]：包含5 237張從600個(gè)掌獲取的圖像。每只手掌大約8張圖片，所有的樣本都在同一周期采集。在數(shù)據(jù)采集過程中，沒有限制手掌姿態(tài)和位置，也沒有構(gòu)成半封閉環(huán)境。因此圖像質(zhì)量比DB1中要差。

(3)十萬(wàn)人模擬數(shù)據(jù)庫(kù)(DB2-S)[22]：包含了100 000個(gè)模擬生成的模板，每個(gè)模板是一個(gè)1 024維隨機(jī)生成的方向特征向量。

實(shí)驗(yàn)中，將第二個(gè)數(shù)據(jù)庫(kù)DB2-R和第三個(gè)數(shù)據(jù)庫(kù)DB2-S合并為一個(gè)超大型數(shù)據(jù)庫(kù)DB2。數(shù)據(jù)庫(kù)選取的依據(jù)有兩點(diǎn)。首先，3個(gè)數(shù)據(jù)庫(kù)的選擇與設(shè)置和相關(guān)文獻(xiàn)中一致，可以公平地比較方法性能。其次，3個(gè)均為國(guó)際公開大型數(shù)據(jù)庫(kù)，有利用模擬大規(guī)模人群辨識(shí)過程。

3.2 結(jié)果評(píng)估標(biāo)準(zhǔn)

實(shí)驗(yàn)從識(shí)別準(zhǔn)確度和速度兩個(gè)方面評(píng)估方法性能。準(zhǔn)確度方面，采用生物識(shí)別領(lǐng)域三個(gè)通用的評(píng)估指標(biāo)：錯(cuò)誤拒絕率(FRR)、錯(cuò)誤接受率(FAR)和真實(shí)接受率(GAR)。FRR表示查詢樣本未被成功識(shí)別的比例，F(xiàn)AR表示查詢樣本被識(shí)別為錯(cuò)誤身份信息的比例，GAR表示查詢樣本被成功識(shí)別的比例。速度方面，以方法相對(duì)于蠻力搜索的速度提升比例，即加速比為標(biāo)準(zhǔn)。蠻力搜索是生物識(shí)別系統(tǒng)中最廣泛的一種匹配方式，它將查詢目標(biāo)與模板逐一匹配，直至找到滿足相似度閾值的目標(biāo)。

實(shí)驗(yàn)平臺(tái)為一臺(tái)PC機(jī)，配置為Intel i7-8700 320 GHz CPU，8 GB RAM，僅使用CPU單核單線程。軟件環(huán)境是Windows 10 Home Basic(64位)和 Visual Studio 2010。測(cè)試程序由C++語(yǔ)言編寫。

實(shí)驗(yàn)參數(shù)由網(wǎng)格法得到，即通過限制每個(gè)參數(shù)的取值范圍，執(zhí)行多個(gè)循環(huán)尋找最佳組合。它們分別是：LOFP包含的編碼數(shù)量K=3、碰撞閾值C=4、編碼數(shù)量B=18、窗口大小Sn=2。為了公平地進(jìn)行對(duì)比實(shí)驗(yàn)，相似度閾值T=0.35與POP 和 A-POP hashing相同。

3.3 識(shí)別準(zhǔn)確度實(shí)驗(yàn)與分析

在DB1中，模板和測(cè)試樣本的數(shù)量分別為9 667和83 971。蠻力搜索的GAR為99.27%。在不同參數(shù)K和C下實(shí)驗(yàn)結(jié)果如圖6(a)所示。由圖6(a)可以看出，當(dāng)K=2、C≤10和K=3、C≤6時(shí)，方法的GAR與蠻力搜索幾乎相同。實(shí)驗(yàn)將DB2的模板和樣本的量分別為100 600和4 637。在DB2中，蠻力搜索的GAR為95.99%，方法的GAR如圖6(b)所示，其走勢(shì)與DB1中的結(jié)果類似。

圖6 LOFP hashing在DB1和DB2中的GARFig.6 GARs of the proposed method on DB1 and DB2

3.4 識(shí)別速度實(shí)驗(yàn)與分析

圖7給出了不同數(shù)據(jù)庫(kù)中LOFP Hashing相對(duì)于蠻力搜索方加速比的實(shí)驗(yàn)結(jié)果。從圖7可以看到，曲線的走勢(shì)可以近似看作具有極大值的拋物線。結(jié)合圖6可知，在最初階段隨著C的增加，滿足碰撞閾值的次數(shù)會(huì)減少，造成全匹配次數(shù)減少，加速比迅速上升，同時(shí)準(zhǔn)確度開始下降。達(dá)到加速比頂點(diǎn)后，若C持續(xù)增加，雖然全匹配次數(shù)仍在減少，但是需要更多的LOFP參與碰撞檢測(cè)，因此加速比開始下降。加速比頂點(diǎn)隨著K的增加而越早地出現(xiàn)。

圖7 LOFP hashing在DB1和DB2相對(duì)于蠻力搜索的加速比Fig.7 Speedups of the proposed method on DB1 and DB2

在搜索階段，查詢掌紋會(huì)與大小為N的模板集進(jìn)行M次全匹配，直到找到目標(biāo)或返回“不匹配”。M與N的比例在生物識(shí)別領(lǐng)域被稱為滲透率[19]。滲透率越低表示算法減少全匹配次數(shù)的性能越強(qiáng)。圖8給出了不同參數(shù)下滲透率的比較。蠻力搜索的平均滲透率約為50%，與蠻力搜索相比，DB1上LOFP hashing可以將滲透率減少189.25倍，而在DB2中結(jié)果達(dá)到了337.18倍。

圖8 LOFP hashing在DB1和DB2中的滲透率Fig.8 Penetration rates of on DB1 and DB2

3.5 對(duì)比實(shí)驗(yàn)與分析

作為已知最先進(jìn)的快速掌紋識(shí)別方法，文獻(xiàn)[13]已經(jīng)提供了POP hashing與其他快速識(shí)別方法以及一些知名掌紋識(shí)別方法的對(duì)比。文獻(xiàn)[14]中的A-POP方法是POP hashing的一種加速版本。因此，將二者作為標(biāo)尺衡量所提方法的性能,所有的對(duì)比方法使用的軟、硬件平臺(tái)一致。

根據(jù)表2，在DB1上所提出的方法對(duì)于POP hashing的加速比是3.28倍，精度損失可以忽略不計(jì)，并將A-POP hashing的速度提升約50%，且精度更高。這主要是因?yàn)榉椒ㄔ谌コ宋恢闷揭撇僮骱螅趦蓚€(gè)數(shù)據(jù)庫(kù)中將嘗試碰撞的數(shù)量分別減少了約32%和49%，而選取更大的B=18和雙編碼方式使編碼不僅可區(qū)分度更高，而且更精確。假碰撞的次數(shù)分別減少了約24%和21%。

表2 在DB1上識(shí)別效果對(duì)比Table 2 Identification results on DB1

表3 在DB2上識(shí)別效果對(duì)比Table 3 Identification results on DB2

4 結(jié)論

提出了旨在面向大規(guī)模人群快速身份辨識(shí)的掌紋識(shí)別方法LOFP hashing。通過減少假碰撞的發(fā)生頻率、加速目標(biāo)搜索進(jìn)程以及提高方向特征的穩(wěn)定性和精確度三個(gè)方面對(duì)識(shí)別性能進(jìn)行提升。提供了真實(shí)掌紋數(shù)據(jù)庫(kù)和模擬數(shù)據(jù)庫(kù)上辨識(shí)結(jié)果，并給出了理論上有進(jìn)一步提升空間的合理的分析和解釋。綜合識(shí)別精度和速度的考慮，所提方法可以認(rèn)為比當(dāng)前最具優(yōu)勢(shì)的POP hashing及其加速版本A-POP hashing更適用于大規(guī)模人群身份辨識(shí)。隨著深度學(xué)習(xí)理論與應(yīng)用的快速發(fā)展，未來的研究重點(diǎn)將著重放在基于深度學(xué)習(xí)的快速掌紋識(shí)別方法研究。