一种基于分块统计特征与联合表示的三维掌纹识别方法
【专利摘要】本发明公开了一种基于分块统计特征与联合表示的三维掌纹识别方法,其将三维掌纹的采样图像等分为若干个子区域,针对每个子区域,首先计算掌纹的表面类型,然后使用直方图统计每个子区域内掌纹表面类型,最后将每个子区域的表面类型直方图拼接在一起,作为掌纹深度图像的特征描述算子,并使用联合表示框架进行分类,从而提高识别效率与精确度,可用于对身份识别有严格要求的场合。有效地解决了多个三维掌纹采样之间的对齐偏差问题。
【专利说明】一种基于分块统计特征与联合表示的三维掌纹识别方法
【技术领域】
[0001]本发明属于模式识别领域,涉及一种身份信息验证的方法,尤其是一种掌纹识别方法。
【背景技术】
[0002]近年来,工业界、学术界不断致力于提高身份信息的验证效果,以满足门禁控制、航空安全、电子银行等多个不同领域中,对于识别人的身份的严苛需求。基于生物特征识别的方法正吸引着越来越多的关注,掌纹识别便是其中一种极具代表的生物特征识别方法。掌纹识别方法具有区分性高、鲁棒性强、用户友好等诸多优点。掌纹指掌心表面的皮肤纹理,主要包含两类特征:摩擦嵴和屈褶线。这两种特征对于人类个体而言是不变的、永久的、独一无二的。
[0003]二维掌纹识别系统受限于成像因素,受光照条件影响较大。此外,二维掌纹也易遭受他人复制顶替,难以满足对身份识别有严苛需求的应用领域。目前,随着科技的进步,我们可通过采用结构光技术,同时获取三维掌纹的深度图像与二维彩色图像数据,解决二维掌纹识别系统中存在的缺陷,以满足不同领域中对于身份验证的要求。
【发明内容】
[0004]本发明的目的在于提供一种基于分块统计特征与联合表示的三维掌纹识别方法。其针对以往的三维掌纹匹配过程中需要对待验证掌纹与样本数据集进行一一匹配,效率随样本数据集的容量增大而大幅降低的问题,采用联合表示的框架对待测三维掌纹进行一对多的识别;针对三维掌纹匹配后存在的微小对齐误差,采用基于分块统计特征的描述算子。进而,建立了一种精确、快速的三维掌纹识别方法。
[0005]为达到上述目的,本发明的解决方案是:
[0006]一种基于分块统计特征与联合表示的三维掌纹识别方法,
[0007](一 )确定掌纹的三维数据特征:
[0008](I)定义Dj为第i个手掌的第j次三维掌纹的采样图像,其长、宽分别为Μ、N,共包含MXN个点,用(x,y,f(x,y))描述任意点P在三维空间中的位置;
[0009](2)将在长、宽方向上分别作m等分和η等分,得到mXn个三维掌纹采样图像的子区域,则每个子区域的长、宽分别为13、旧,记为£?/;在长方向上的第P个、宽方向上的第q个子区域,其中,l^p^m, l^q^n;
[0010]所述步骤(2)中,若三维掌纹图像的长M无法被m整除和/或三维掌纹图像的宽N无法被η整除,分块时,保留三维掌纹图像的位于中心区域的点进行分块以作为子区域,删除三维掌纹图像四周无法被整除区域的点,不作为进行识别的子区域。
[0011](3)创建子区域的描述算子,用于描述子区域内三位掌纹表面的信息:
[0012](3-1)确定子区域内每个点的平均曲率H ;
[0013]所述步骤(3-1)中,根据公式仔
【权利要求】
1.一种基于分块统计特征与联合表示的三维掌纹识别方法,其特征在于: (一)确定掌纹的三维数据特征: (1)定义Dj力第i个手掌的第j次三维掌纹的采样图像,其长、宽分别为M、N,共包含MXN个点,用(x,y,f(x,y))描述任意点P在三维空间中的位置; (2)将A在长、宽方向上分别作m等分和η等分,得到mXn个三维掌纹采样图像的子区域,则每个子区域的长、宽分别为庄|、为f在长方向上的第P个、宽方向上的第q个子区域,其中,l^p^m, l^q^n; (3)创建子区域的描述算子,用于描述子区域内三位掌纹表面的信息: (3-1)确定子区域内每个点的平均曲率H; (3-2)确定子区域内每个点的高斯曲率K ; (3-3)根据每个点的平均曲率H与高斯曲率K的符号,确定每个点的类型:若H〈0且K>0,该点为类型I ;若Η〈0且K = O,该点为类型2 ;若Η〈0且Κ〈0,该点为类型3 ;若H = O且Κ>0,该点为类型4;若H = O且Κ = 0,该点为类型5 ;若H = O且Κ〈0,该点为类型6 ;若Η>0且Κ>0,该点为类型7 ;若Η>0且K = 0,该点为类型8 ;若Η>0且Κ〈0,该点为类型9 ;(3-4)使用直方图统计各类型出现的次数,得到向量h= [h^h^-h,...,^, h9]以用于描述该子区域,其中Iii表示该子区域内为类型i的点的个数, (4)将各子区域的描述算子拼接在一起,构成< 的描述算子Fji = [^1,1...Km,..., V1…K,mi,其中hp,q表亍3在长方向上的第P个、宽方向上的第q个子区域的描述算子; (二)根据步骤(I)中确定的待测掌纹的三维数据特征构建三维掌纹数据库字典S = [Fl'…/…◎],N表示数据库中的手掌总数,Cj表示第j个手掌的采样总数; (三)比较待测三维掌纹与数据库中数据信息以确定待测掌纹的身份: (I)采用联合表示框架,确定待识别掌纹对于S的系数向量:将待识别的三维掌纹的描述算子Fp?be使用联合表示框架表示,最小化能量方程.? = argmirv [\\Fprnbe - Sx\\22 + Αι9(.?)}得到系数向量Xtl,其中,g(x)为能量方程的规则化项,λ为预定义的规则化项的系数以控制能量方程中两项的相对贡献; (II)计算残差,确定待识别掌纹身份:分别计算待识别的三维掌纹的描述算子与数据库字典中各类之间的关联程度,选取关联度最大的对象作为待测人脸的身份,关联度通过计算残差而得到,残差越小,关联度越闻。
2.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(2)中,若三维掌纹图像的长M无法被m整除和/或三维掌纹图像的宽N无法被η整除,分块时,保留三维掌纹图像的位于中心区域的点进行分块以作为子区域,删除三维掌纹图像四周无法被整除区域的点,不作为进行识别的子区域。
3.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(3-1)中,根据公式
确定子区域内每个点的平均曲率H,其中fx,fy分别表示该
点的深度在X、I方向上的一阶偏导,fxx, fyy, fxy分别表示该点的深度的二阶偏导。
4.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(3-2)中,根据公式
计算子区域内每个点的高斯曲率fx, fyX、y方向上的一阶偏导,fxx, fyy, fxy分别表示该点的深度的二阶偏导。
5.根据权利要求1所述的三维掌纹 识别方法,其特征在于:所述步骤(3-3)中,类型I呈峰状,类型2呈山脊状,类型3呈鞍岭状,类型5呈平面状,类型6为最小曲面,类型7呈凹陷状,类型8呈山谷状,类型9呈鞍谷状,类型4为特殊类型。
6.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(1)中,所述能量方程选用最小平方规则化,即= 则系数向量Xtl通过闭合等式Xtl =(S^AI)-1S1Fprobe得出,其中I表示单位矩阵,其列(行)数与S的列数相同; 或所述能量方程选用一范数规则化,即g(x) = Xl1, |x|工表示求系数向量X中各元素的绝对值之和,采用DALM、Homotopy方法确定系数向量χ。。
7.根据权利要求6所述的三维掌纹识别方法,其特征在于:所述步骤(1)中,所述能量方程选用最小平方规则化时,(StS+λ I)4St在S构造完成之后、掌纹身份验证之前确定,以降低三维掌纹识别的总体用时。
8.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(1)中,λ应大于O且小于I ; 优选的,所述λ取值为0.01。
9.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(1)中,联合表示框架里所述字典S为一个行数小于列数的二维矩阵; 优选的,所述步骤⑴中,若s e Ifx%若构成的三维掌纹字典的行数r较大时,或S的行数r大于列数c时,使用公式S’ = OS对S降维,其中Φ = [O1O2-' Φ] e Rkxr(Kr)为高斯白噪声随机投影矩阵,Φ中任意一列Oi满足I |Φ」I2= 1,并在步骤(三)及之后的步骤中,使用S’代替S,进行三维掌纹识别。
10.根据权利要求1所述的三维掌纹识别方法,其特征在于:所述步骤(II)中,残差的计算公式为 identity = arg Iiiinj {| | Fprobe-S δ」(χ0) | 12},其中,Sj (χ0)意为选取 xQ 中只与类别j相关的系数。
【文档编号】G06K9/00GK104166842SQ201410359335
【公开日】2014年11月26日 申请日期:2014年7月25日 优先权日:2014年7月25日
【发明者】张 林, 李力达, 沈莹, 李宏宇 申请人:同济大学