掌纹图像的获取及其预处理

掌静脉特征提取算法
1. 图像获取，首先需要获取手掌静脉的图像，通常是通过红外
成像技术来获取清晰的手掌静脉图像。

2. 预处理，对获取的图像进行预处理，包括去噪、增强和边缘
检测等操作，以确保后续的特征提取能够准确进行。

3. 区域分割，将手掌静脉图像分割成小区域，以便进行局部特
征的提取和匹配。

4. 特征提取，在每个区域内提取静脉的特征信息，通常是通过
提取静脉的血管走向、分叉情况、密度等特征来进行描述。

5. 特征匹配，将提取的特征与已有的特征库进行匹配，通常使
用模式识别和机器学习算法来进行匹配和识别。

在实际应用中，掌静脉特征提取算法通常需要考虑到图像质量、光照条件、姿态变化等因素对识别准确性的影响，并且需要保障个
人隐私和数据安全。

因此，算法的稳健性和准确性是该技术广泛应
用的关键。

同时，随着深度学习和神经网络技术的发展，掌静脉特
征提取算法也在不断演进和优化，以适应更复杂的应用场景和提高识别的准确率。

掌纹识别与应用技术的研究随着科技的不断发展，掌纹识别已经成为了一种比较成熟的生物特征识别技术，掌纹识别具有独特性、稳定性和可靠性等优势，已经被广泛应用到各种领域中。

本文将深入探讨掌纹识别技术的原理、分类、应用和发展趋势等方面的内容。

一、掌纹识别技术的原理掌纹是指人类手掌上的皮肤纹路，包括人类手掌的主纹、副纹和汗孔等等。

掌纹识别技术就是通过对这些特征进行分析和比对，来确定一个人的身份。

掌纹的形成是由胚胎期的手掌皮肤在不断的生长、发育和变化过程中形成的，而主要的形成期是在胚胎的第10周到第17周这段时间内，这也是人体各种器官和系统的发育成型的关键期。

手掌上的皮肤纹路既有受遗传因素影响而形成的，也受人体内的荷尔蒙分泌作用等其他因素的影响而形成。

利用掌纹识别技术进行身份验证，主要依赖于掌纹特征的识别和比对功能。

掌纹识别技术常用的处理流程包括图像预处理、特征提取、特征匹配和身份验证等步骤。

其中，图像预处理包括边缘检测、降噪、图像增强等预处理操作，特征提取是指从预处理后的图像中提取有关掌纹的信息和特征，包括掌纹的主纹、副纹和汗孔等特征。

特征匹配是指对预先存储的掌纹特征和输入的掌纹特征进行比对验证身份的过程，匹配算法常用的有相似度匹配和模板匹配两种。

二、掌纹识别技术的分类根据掌纹图案的样式和特征，可以将掌纹识别技术分为以下几类：1、主纹型掌纹识别技术主要依靠掌心位置的纵向主纹和横向主纹的分岔角度、长度、形状等特征进行身份验证，因此也成为主线型掌纹识别技术，主要有U型、V型、W型、M型等几种类型。

2、副纹型掌纹识别技术主要依靠掌心位置的副纹和分支纹的形状、长度、方向等特征进行身份验证，因此也称为分支线型掌纹识别技术，主要有Y型、X型、矩形型、三岔型等几种类型。

3、混合型掌纹识别技术主要是指既包含主纹，又包含副纹或者其他的纹路组合的掌纹类型，其识别难度较大，但准确性也会相应提高。

4、其他类型掌纹识别技术主要是指汗孔型掌纹、皮纹型掌纹、凹凸纹型掌纹等其他非主副纹类型的掌纹识别技术，其应用范围相对较窄，但对某些特定场景下的身份验证具有一定的优势。

掌纹诊病的精细纹路识别与提取方法根据掌纹中特征的表示以及匹配方法, 可大致将掌纹识别方法分为四个类别, 分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法. 此外, 我们还列出了一些不属于这些类别的方法.2.1 基于结构的方法基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法. 这一类的方法主要由两部分组成: 1) 提取掌纹中的纹线特征; 2) 纹线特征的有效表示和匹配. 线特征的有效表示主要是指便于匹配, 并且占用尽可能少的存储空间. 对于特征的提取, 较多使用的是各种线检测算子以及边缘检测算子; 对于特征的表示, 主要是采用直线段或特征点代替掌纹纹线; 而特征的匹配大多采用特征点之间的欧氏距离或Hausdor® 距离, 以及用于线段匹配的Hausdor® 距离等.2.2 基于统计的方法基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法, 可进一步分为基于局部统计量和全局统计量的方法. 其中基于局部统计量的方法需要将图像分成若干小块, 之后统计每块的均值和方差等统计信息, 最后连接为表示整个掌纹的特征向量; 而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征. 匹配时, 一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.2.3 基于子空间的方法子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换, 将其转化为低维向量或矩阵, 并在此低维空间下对掌纹表示和匹配. 根据投影或变换的性质, 子空间方法可以分为线性子空间方法和非线性子空间方法. 目前应用较为广泛的是线性子空间方法, 主要包括独立成分分析(Independent component analysis, ICA)、主成分分析(Principal component analysis, PCA)、线性判别分析(Lineardiscriminant analysis, LDA) 等. 与前两类方法不同, 基于子空间的方法大都需要对每个类别的掌纹图像构造训练集, 在该训练集上计算最优的投影向量或矩阵, 并将投影后的向量或矩阵作为该类掌纹的特征. 在识别阶段, 首先对待测掌纹图像作相同投影或变换, 之后采用最近邻或最近特征线(Nearestfeature line, NFL) 分类器分类. 基于子空间的方法已成功地应用于人脸识别, 移植到掌纹识别后也取得了很好的效果.2.4 基于编码的方法基于编码的方法是指先用滤波器对掌纹图像滤波, 之后根据某些规则将滤波后的结果进行编码的方法. 通常特征都按照比特码的形式存储, 对得到的特征码多采用二进制的\与" 或者\异或" 计算相似度. 该类方法主要包括三个核心部分: 滤波器的选择(Gabor, 高斯, 高斯的导数), 编码规则(最大值, 序数关系), 以及匹配方式(点对点, 点对区域).总的来说, 基于结构的方法识别精度低, 特征所需的存储空间大, 而且匹配速度慢; 基于编码的方法识别精度高, 特征小, 而且匹配速度快, 是各类方法中最具有优势的一类;而基于统计的方法和基于子空间的方法的识别精度和识别速度介于两者之间.下面介绍几种识别方法：一、《Latent Palmprint Matching》提出的潜掌纹(Latent palmprint) 识别方法针对部分掌纹与全部掌纹间匹配的特点, 提出了以细节点码(Minutia code)作为局部特征, 先进行局部匹配, 再进行全局匹配的方法.二、《基于非采样Contouriet变换与局部二值模式的掌纹特征提取》提出了一种对掌纹图像的平移、旋转和光照鲁棒的掌纹识别算法，即基于非采样的Contourlet与L即结合的掌纹特征提取算法。

一种新的掌纹图像预处理方法
王艳霞;阮秋琦
【期刊名称】《中国图象图形学报》
【年(卷),期】2008(013)006
【摘要】掌纹图像预处理主要包括图像分割和图像增强.在分析现有掌纹图像预处理方法中存在的不足之后,提出了一种新的掌纹图像预处理方法.该方法以手掌外侧轮廓作为定位参考线,首先实现手掌定位;然后以手掌的最大内切圆圆心为掌纹图像坐标系的原点构建坐标系,并截取出该圆的内接正方形区域内的掌纹图像,以完成图像分割.另外,该方法将模糊理论引入到反锐化掩模系统框架中,并用方向可调滤波器替代传统反锐化掩模算法中的Laplacian滤波器来获取掌纹图像中的高频成分,以实现在线掌纹图像的增强.实验结果表明,该方法不仅在手指完全并拢的情况下,仍然能提取出掌纹中心子图,而且能有效增强掌纹图像中主线和皱纹线的对比度.
【总页数】8页(P1115-1122)
【作者】王艳霞;阮秋琦
【作者单位】北京交通大学信息科学研究所,北京,100044;北京交通大学信息科学研究所,北京,100044
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种新的掌纹ROI图像定位方法 [J], 尚丽;苏品刚;淮文军
2.一种新的掌纹图像感兴趣区域提取算法 [J], 张磊;冯贵玉;胡德文
3.印鉴自动识别中一种新的图像预处理方法 [J], 刘华;徐刚
4.一种增强SAR图像匹配稳定性的新预处理方法研究 [J], 侯旺;阳孟
5.一种新的基于小波变换的掌纹图像去噪算法 [J], 金王景璇;孙英杰
因版权原因，仅展示原文概要，查看原文内容请购买。

指纹图像的预处理操作
指纹的预处理的操作步骤主要有：（1）图像归一化；（2）指纹有效区域分割处理；（3）指纹方向图处理；（4）指纹增强处理；（5）指纹二值化处理；（6）指纹细化处理。

（1）图像归一化
图像归一化的目的是为了消除传感器本身噪声或手指压力不同以及其它原因
造成的灰度差异，把图像的平均灰度和方差调整到预定的级别上，方便后续处理。

公式如下：
这种传统的归一化方法存在一些缺点：首先它的平均灰度和平均方差是基于
整个指纹图像，与实际指纹有效区域的平均灰度和方差有一定的偏差；其次它
采用的期望灰度值和方差是个固定值，一些采集不好的指纹图像，局部区域的
平均灰度和方差可能与整体的相差比较大，效果不好。

可以采用基于块的动态归一化方法来克服这些问题：首先进行直方图均衡，
选择感兴趣的区域ROI，再对该区域进行归一化处理。

使用ROI 的均值和方差，并根据局部块的均值和方差动态调整：
其中α、β是权值系数。

（2）指纹有效区域分割
指纹图像分割是指纹图像预处理的重要组成部分，其目的是从指纹图像中分。

指纹图像的预处理及初步识别研究
指纹图像的预处理及初步识别研究包括以下步骤：
1. 图像获取：使用指纹采集设备（例如指纹识别仪、平板式扫描仪等）获取指纹图像。

2. 图像预处理：针对原始指纹图像进行预处理，主要包括图像增强、图像去噪、图像滤波等操作。

3. 特征提取：提取指纹图像中的关键特征，用于指纹识别。

常见的特征包括细节特征、转折特征、核型特征等。

4. 特征匹配：使用已有的指纹特征数据集与待识别指纹特征进行对比，寻找最相似的指纹，从而实现指纹识别。

5. 识别结果输出：将识别结果输出到用户界面或其他终端设备上，供用户使用。

需要注意的是，在实际应用中，指纹图像的预处理和识别过程可能需要结合多种算法和技术来完成，以达到更加准确、可靠的识别效果。

掌纹识别方案引言掌纹识别是一种通过分析人类手掌上的纹路特征来识别个体身份的技术。

相比其他生物特征识别技术如指纹识别和人脸识别，掌纹识别具有更高的准确性和可靠性。

本文将介绍一个基于图像处理和机器学习的掌纹识别方案。

掌纹采集首先，需要采集用户手掌的图像数据。

掌纹图像可以通过智能手机摄像头或专用的掌纹采集设备获取。

掌纹图像应该是高分辨率的，并且手掌的位置和姿态要尽可能保持一致，以确保后续的处理和分析的准确性。

图像处理掌纹图像采集后，需要进行一系列的图像处理步骤，以提取出有用的纹路特征。

下面是一些常用的图像处理技术：图像预处理图像预处理是为了去除图像中的噪声和干扰，以便更好地提取纹路特征。

常用的预处理技术包括图像平滑、灰度化、二值化等。

边缘检测边缘检测是为了找到掌纹图像中的纹路轮廓。

边缘检测技术有很多种，包括Canny边缘检测、Sobel算子等。

特征提取在边缘检测之后，需要从图像中提取出掌纹的特征信息。

一个常用的特征提取方法是Gabor滤波器，它能够提取出纹路的方向和频率信息。

特征匹配与识别经过图像处理步骤后，我们得到了提取出的掌纹特征。

接下来，需要将这些特征与已知的用户掌纹特征进行匹配，以识别用户身份。

这可以通过以下几个步骤来实现：建立特征库特征库是存储已知掌纹特征的数据库。

每个用户的特征将被存储为一个特征向量，包含纹路的方向、频率等信息。

建立特征库时，应考虑到数据库的规模和查询效率。

特征比对当一个新的掌纹图像被采集后，其特征向量将与特征库中的所有特征进行比对。

通常使用欧氏距离或相关系数等度量方法来衡量两个特征向量之间的相似度。

识别结果评估识别结果可以通过计算相似度得分来评估。

如果相似度得分高于某个阈值，则认为识别成功；否则，认为识别失败。

系统优化为了提高掌纹识别系统的准确性和可靠性，可以考虑以下优化措施：多特征融合除了掌纹特征，还可以结合其他生物特征如指纹、人脸等进行识别，以提高识别的准确性。

深度学习算法深度学习在图像处理和模式识别领域取得了巨大的成功。

第36卷第3期自动化学报Vol.36,No.3 2010年3月ACTA AUTOMATICA SINICA March,2010掌纹识别算法综述岳峰1左旺孟1张大鹏2摘要掌纹识别作为一种新兴的生物识别技术,近年来得到了广泛的关注与研究.与其他生物特征相比,掌纹有许多独特的优势,包括识别率高、采集设备价格低廉、用户可接受性好等.这些优势使得掌纹识别成为一种有着广泛应用前景的生物识别方法.本文首先介绍了掌纹的特点、掌纹的采集设备和预处理方法,之后详细介绍了近几年来提出的各种掌纹识别方法.根据特征提取以及匹配方法的不同,本文将掌纹识别方法分为基于结构的、基于子空间的、基于编码的和基于统计的四类方法.在回顾和比较了各种算法的特点之后,对未来的掌纹识别方法的发展方向作了展望.关键词生物识别,掌纹识别,低分辨率掌纹图像,特征提取,特征匹配DOI10.3724/SP.J.1004.2010.00353Survey of Palmprint Recognition AlgorithmsYUE Feng1ZUO Wang-Meng1ZHANG Da-Peng2Abstract As an emerging biometric technology,palmprint recognition has recently received considerable research interest.Because of its low-price capture device,fast execution speed,and high verification accuracy,palmprint recognition is very competitive in biometric research and is expected to have a wide range of security applications.This paperfirst introduces the characteristics of the palmprint,the acquisition and the preprocessing method for palmprint image,and then presents a survey of the palmprint recognition algorithms.According to different feature extraction and matching approaches,we roughly group these algorithms into four categories:structure based,statistics based,subspace based and coding based methods.After surveying and comparing these algorithms in each category,we conclude this paper with a discussion of future trends.Key words Biometrics,palmprint recognition,low-resolution palmprint image,feature extraction,feature matching随着社会和经济的不断发展,人们对身份鉴别的准确性、安全性与实用性提出了越来越高的要求.传统的身份鉴别方法,如钥匙、密码以及智能卡等,存在容易丢失、遗忘、被复制及盗用的隐患.而通过辨识人的生理和行为特征进行身份认证的生物识别技术(Biometrics)为身份鉴别提供了一个方便可靠的解决方案.生物识别技术是指根据人的生理特征(如语音、指纹、掌纹、面部特征、虹膜等)或行为特征(如步态、签名、击键特征等)进行身份鉴别的技术.生物识别技术以人的生物特征为基础,以信息处理技术为手段,具有安全性、有效性和易用性等特点,因此受到人们越来越多的重视.收稿日期2009-04-10录用日期2009-10-23Manuscript received April10,2009;accepted October23,2009国家高技术研究发展计划(863计划)(2006AA01Z308),国家自然科学基金(60872099,60902099)资助Supported by National High Technology Research and De-velopment Program of China(863Program)(2006AA01Z308) and National Natural Science Foundation of China(60872099, 60902099)1.哈尔滨工业大学计算机学院生物信息技术研究中心哈尔滨1500012.香港理工大学计算学系生物识别技术研究中心香港1.Biocomputing Research Center,School of Computer Sci-ence and Technology,Harbin Institute of Technology,Harbin 1500012.Biometrics Research Center,Department of Com-puting,Hong Kong Polytechnic University,Hong Kong掌纹识别是近些年来新兴的一种生物识别技术.与其他用于识别的生物特征相比,掌纹具有很多独特的优势.相比于指纹,掌纹拥有更大的面积以及更为丰富的纹理信息,只需要较低分辨率的采集设备就可以构建高性能的掌纹识别系统;相比于人脸识别,掌纹识别能轻易地区分双胞胎;相比于虹膜,掌纹采集设备的价格更为低廉,采集方式也更容易让用户接受;相比于签名,掌纹更加稳定可靠.因此,掌纹识别是一种有着广泛应用前景的生物识别方法,近年来得到了研究人员的广泛关注.掌纹中包含丰富的特征,如主线、皱褶、三角点和细节点等,如图1所示.在高分辨率(≥400dpi)的掌纹图像中可以提取到上述的全部特征;而对于低分辨率(≤100dpi)的掌纹图像,只能提取到主线和皱褶特征(统称为线特征),如图2所示.由于在低分辨率的掌纹图像上的识别精度对于一般的民用和商用已经足够,而且相对于高分辨率图像,获取和处理低分辨率掌纹图像可以节省大量时间和成本,因此本文主要讨论针对低分辨率掌纹图像的识别方法.本文的结构安排如下:第1节讨论了掌纹图像的采集和预处理,以及公开的掌纹图像数据库和评价指标;第2节对各种掌纹识别算法作了分类,并对每类算法进行详细的阐述和比较;第3节讨论了当前354自动化学报36卷掌纹识别存在的问题和未来的发展方向;最后在第4节对本文进行了总结.图1掌纹中包含的各种特征Fig.1Various kinds of features inpalmprint图2低分辨率掌纹图像中的主线和皱褶特征Fig.2Principal lines and wrinkles in low-resolutionpalmprint image1掌纹图像的采集和预处理1.1掌纹图像的采集早期的掌纹采集方法是将手掌涂上墨水或油墨,之后将手掌印在纸上,最后用扫描仪将带有掌纹图像的纸扫描成数字图像[1−2].这种采集方法速度慢,只能用于脱机掌纹识别.而且,由于手掌的生理结构,手掌中心部分的掌纹信息经常是缺失或模糊的,采集到的图像质量差,如图3所示.Wong等设计了一种用于联机掌纹识别的采集设备[3],这种设备可以直接采集到数字化的掌纹图像,如图4所示.这种采集设备的分辨率为75dpi,可以获得掌纹中清晰的主线和皱褶信息.近来,PAPILLON等公司推出了联机采集高分辨率掌纹图像的设备[4−6],相比于早期的采用扫描方式的设备在采集速度上有很大提高.图3用墨水和扫描仪采集到的掌纹图像Fig.3Palmprint image captured by ink andscanner图4Wong等设计的联机掌纹采集设备采集到的掌纹图像Fig.4Palmprint image collected by Wong sonline capture device1.2掌纹图像预处理掌纹图像的预处理主要包括去噪、关键点定位、平移及旋转校正等.早期的掌纹识别方法提取掌纹中的纹线端点和感兴趣点作为特征,在匹配阶段采用自适应的方法匹配,对于预处理的要求不是很严格.随着掌纹识别技术的发展,对匹配的速度和精度要求越来越高,因此要求在预处理阶段完成掌纹图像的平移及旋转校正.对于掌纹的定位,大多数预处理算法都利用了食指与中指的缝隙以及无名指与小指的缝隙[7−10].在此基础上,Poon等[8]提出了一种划分掌纹中心区域的方法,如图5(a)所示.他们将掌纹的中心区域划分为多个椭圆形半环,每个椭圆形半环再分为多个小块,对每个小块分别提取特征.这样划分的优点是可以减小旋转产生的影响.3期岳峰等:掌纹识别算法综述355由于Wong 等设计的采集设备已带有用于定位的圆柱,并且要求采集者的手指张开,这就极大地方便了掌纹图像的预处理.Zhang 等针对此采集设备提出的预处理方法[7]可以在很大程度上克服手掌的平移及旋转带来的影响,已成为一种广泛使用的预处理方法[7,10−16],如图5(b)所示.Hennings 等[10]在此基础上又加入了形态学操作,以改善预处理方法的鲁棒性.Liambas 等在文献[17]中提出了针对方向上任意放置的掌纹图像的预处理方法,该方法通过在手掌区域中放置互不重叠的最大内切圆来定位手掌中心区域,同时可以获得手掌的方向,对噪声以及断指、并指等情况具有更好的鲁棒性.一幅典型的手掌图像的处理结果如图5(c)所示.1.3掌纹图像公开数据库掌纹识别技术提出后,国内外很多大学和科研机构都陆续开展了这方面的研究.为了推动掌纹识别技术的发展,使各种掌纹识别方法有一个统一的比较平台,香港理工大学、香港科技大学和中国科学院自动化研究所分别发布了公开的掌纹图像数据库,如表1所示.香港理工大学的掌纹数据库是利用文献[3]中的采集设备采集得到的,版本1中包括来自50人、100只手掌的600个掌纹图像样本.所有图像分两次采集得到,每次对每只手掌采集3幅图像.版本2中包括193人、386只手掌的7752幅图像.所有图像分两次采集得到,每次对每只手掌采集约10幅图像.在两次采集过程中,研究人员更换了设备的光源并对其照明系统进行了改造,因此部分掌纹在不同阶段采集的图像会有较为明显的亮度差异.香港科技大学的数据库通过数码相机采集得到,没有使用类似于文献[3]中设备上用于手掌定位的装置,采集时也不是在封闭的环境中,因此与香港理工大学的数据库相比,掌纹图像间存在较大的平移和旋转,且受光照影响更大.中国科学院自动化研究所设计了一种掌纹采集设备,并用该设备构建了包括301人、5239个图像样本的掌纹图像库,所有图像都是通过一次采集得到.由于该设备并没有用于定位的圆柱,因此采集时手掌的位置更加灵活,同一手掌的图像间差异也较大.在这些数据库公开发布之后,掌纹识别算法在这些数据库上的性能已成为衡量该算法的一个重要指标.在第2节的算法分析中也列出了近来提出的掌纹识别算法在这些公开数据库上的性能参数.1.4评价指标掌纹识别方法的评价指标与其他生物识别方法相类似,主要包括正确接受率(Genuine accep-tance rate,GAR),错误拒绝率(False rejection rate,FRR),错误接受率(False acceptance rate,FAR),等误率(Equal error rate,EER),判别指数(Discriminating index,d )等.此外,还包括提取的(a)文献[8]提出的方法(a)The method proposed in [8](b)文献[7]提出的方法(b)The method proposed in [7](c)文献[17]提出的方法(c)The method proposed in [17]图5掌纹图像预处理方法示意图Fig.5The schematic diagrams of palmprintpreprocessing methods356自动化学报36卷表1公开发布的掌纹图像数据库Table1Public palmprint image databases数据库名称人数掌纹图像数图像大小Hong Kong PolyU(v1)100600384×284 Hong Kong PolyU(v2)[18]1937752384×284 Hong Kong UST(v1)[19]27054001280×960 CASIA(v1)[20]3015239640×480特征维数、特征大小、特征提取及匹配所需的时间等.本文在第2节的算法分析中列出了某些具有代表性的掌纹识别算法的性能参数.值得注意的是,有些实验结果是在不同的掌纹数据库上得到的,彼此间并不具有可比性.2掌纹特征提取和匹配高分辨率的掌纹图像大都用于脱机掌纹识别,主要应用于刑侦、司法等领域.与指纹识别类似,对于高分辨率的掌纹图像主要利用乳突纹和细节点进行识别.特征提取阶段通常包括方向场估计、图像增强、二值化、细化和细节点提取等[21].在此基础上,文献[22]利用统计信息和结构信息给出一些规则,用于去除伪细节点.匹配时采用的是点集间的匹配,每对细节点间的匹配通常要考虑细节点的位置、方向以及类型等信息.最近提出的潜掌纹(Latent palmprint)识别方法[23]针对部分掌纹与全部掌纹间匹配的特点,提出了以细节点码(Minutia code)作为局部特征,先进行局部匹配,再进行全局匹配的方法.对于低分辨率的掌纹图像,主要是利用主线和皱褶信息实现掌纹识别.根据掌纹中特征的表示以及匹配方法,可大致将掌纹识别方法分为四个类别[24],分别是基于结构的方法、基于统计的方法、基于子空间的方法和基于编码的方法.此外,我们还列出了一些不属于这些类别的方法.2.1基于结构的方法基于结构的方法主要是指利用掌纹中主线和皱褶的方向和位置信息实现掌纹识别的方法.这一类的方法主要由两部分组成:1)提取掌纹中的纹线特征;2)纹线特征的有效表示和匹配.线特征的有效表示主要是指便于匹配,并且占用尽可能少的存储空间.对于特征的提取,较多使用的是各种线检测算子以及边缘检测算子;对于特征的表示,主要是采用直线段或特征点代替掌纹纹线;而特征的匹配大多采用特征点之间的欧氏距离或Hausdorff距离,以及用于线段匹配的Hausdorff距离等.Shu等[25−26]提出了一种掌纹线特征的提取和匹配方法.该方法首先使用12个线检测算子检测各个方向下的掌纹纹线,并用直线段近似表示,之后通过后处理滤除较短的线段,合并重合的线段,得到代表该掌纹中纹线的全部直线段.最后提取出直线段的端点、截距和倾角等作为该掌纹的特征.对于直线段间的匹配,采用的是端点的欧氏距离以及截距和倾角的差别,对于小于指定阈值的则认为直线段匹配成功.两个掌纹的匹配度定义为匹配的直线段数目与直线段总数之比.该方法利用了掌纹纹线具有一定长度的特点,对噪声不敏感.匹配时考虑了纹线的长度和方向信息,大大减少了仅依赖纹线端点造成的误匹配.Wu等[27−28]提出了一种利用高斯函数的导数提取掌纹主线特征的方法.该方法采用四个不同的检测算子,分别检测四个不同方向的纹线,最后合并各个方向的检测结果.为了克服非线性形变及旋转带来的影响,文献[28]在匹配前对表示纹线的二值图像进行旋转和形态学膨胀,之后再与其他掌纹匹配.文献[29]中首先通过二值化获得掌纹的线特征,之后提取掌纹中最大内切圆内部的若干条跨度最长的纹线,匹配时采用的是类似Hausdorff距离的双向匹配方法.Li等[30−31]提出首先利用通用的边缘算子检测出掌纹中的纹线,之后用改进的线段Hausdorff距离匹配.由于Hausdorff距离本身就具有对小的形变不敏感的特性,因此以上两种方法都具有较好的鲁棒性.注意到掌纹纹线(尤其是主线)并不是单像素宽的,而经典的边缘检测算子只能检测到单像素宽的边缘(称为单边响应,Unique edge response),Liu等[32]提出了一种宽线检测算子.该方法利用圆形模板中与圆心灰度相似的区域的面积来判断圆心点是否属于纹线,指出对于背景区域,该面积达到最大值,因此将最大值的一半作为阈值滤除背景,从而得到纹线.得到的掌纹纹线表示成一个二值矩阵,采用异或操作匹配.由于该方法不仅考虑了纹线的位置,还考虑了纹线的宽度,因此识别精度更高.与采用直线段表示掌纹纹线的方法不同,本类方法采用构成纹线的所有的点来表示掌纹,匹配时采用的是点集间的匹配.这类方法最大的优点是避免了用直线段近似掌纹纹线,缺点是匹配时仅考虑了纹线的位置信息,而丢弃了纹线的方向信息,因此识别精度不高.另一类的方法是利用特征点来表示掌纹纹线,从而用特征点间的匹配代替纹线间的匹配.Duta 等[33]首先通过二值化平滑后的掌纹图像来提取掌纹纹线,之后通过形态学操作提取代表纹线的特征点,最后用类似于指纹识别中的特征点匹配方法对特征点进行位置与方向上的比较.You等在文献[2]中提出了一种类似的方法.该方法首先用Prewitt 算子提取掌纹纹线,之后用Plessey算子[34]提取代3期岳峰等:掌纹识别算法综述357表点,最后采用Hausdorff距离实现掌纹间的匹配.由于特征点的数目较多,与基于线特征的掌纹识别方法相比,这一类方法保存特征需要更大的空间,匹配时速度也较慢.在文献[35]中,Wu等提出了一种不同的方法,充分利用梯度图的方向和幅值信息提取掌纹的纹线特征.在该方法中,首先计算掌纹图像梯度图的方向和幅值,之后对掌纹模糊分块,分别提取每块的方向和幅值特征,并连接为表示整个掌纹的特征矢量.匹配时采用向量间的相关系数.这种方法由于利用了统计量作为特征,因此对质量差的掌纹图像具有更好的鲁棒性,识别精度较高.基于结构的方法是早期的用于掌纹识别的方法.总的来说,大部分基于结构的方法都是借鉴或移植自指纹识别中的方法,简单直观.但是这类方法用直线段或特征点近似地表示掌纹纹线,丢失了大量信息,因此识别率不高.此外,这类方法的识别性能在很大程度上依赖于边缘检测算子或宽线检测算子.掌纹中一些比较细小模糊的线包含大量的判别信息,但却无法被检测算子检测到.大量的直线段和特征点也使匹配过程非常耗时.表2对各种基于结构的方法作了比较.2.2基于统计的方法基于统计的方法是指利用掌纹图像的重心、均值、方差等统计量作为特征的识别方法,可进一步分为基于局部统计量和全局统计量的方法.其中基于局部统计量的方法需要将图像分成若干小块,之后统计每块的均值和方差等统计信息,最后连接为表示整个掌纹的特征向量;而基于全局统计量的方法则直接计算整个图像的矩和重心等统计信息作为掌纹的特征.匹配时,一般采用矢量比较时常用的相关系数、一阶范数或欧氏距离.对于基于局部统计量的方法,在提取统计特征之前,通常需要对图像做变换,例如傅里叶变换、小波变换等.Li等[36−37]首先用傅里叶变换提取掌纹图像的频域信息,之后分块并计算每块的幅值和相位的和作为特征.Zhang等[38]利用过完备小波变换的平移不变性和掌纹纹线方向的上下文相关性,计算小波分解后每块的四类统计特征.根据这四类特征可将掌纹分为若干个类别,识别时仅在待测掌纹所属的类别内搜索即可.文献[39−42]提出利用小波变换,之后分块并提取每块的均值和方差作为特征.各种方法的分块策略略有不同,例如文献[37]将图像分为半径相等的同心圆,文献[42]将小波分解后的各子图分为数量相同的小块,而文献[41]则将小波分解后的各子图分为大小相同的小块.当只进行一级小波分解时,后两种分块的策略是相同的.与基于结构的方法不同的是,本类方法考虑了掌纹图像的频域(傅里叶变换)和多尺度(小波变换)特征,而不是原始图像中纹线的位置、方向等特征,能够有效地减小类内差别,提升识别性能.但是在该类方法中,分块的大小以及分块的策略对最终的识别结果有很大影响,而最优的分块方法通常需要实验确定.基于全局统计量的方法主要是指利用图像不变矩的识别方法.文献[43−44]分别利用Hu和Zernike矩提取掌纹特征,而Li等在文献[45−46]中提出了一种利用平移不变的Zernike矩提取掌纹特征的方法.根据所采用的不变矩具有的平移或旋转不变的特性,该类方法对于掌纹图像也具有相应的特性,可以有效地处理预处理带来的图像平移和旋转.该类方法的缺点是特征维数太小,丢失了大量的判别信息,因此识别率不高.基于统计的方法将掌纹图像看作是纹理图像,并利用分析纹理图像的一些方法来分析掌纹图像.与基于结构的方法相比,傅里叶变换的方法可以提取掌纹的频域特征,小波变换的多分辨率特性更加适表2基于结构的方法的比较Table2Comparison of structure-based methods算法名称特征表示平均特征大小匹配方法数据库识别率(%)等误率(%)线特征[26]端点表示340线匹配60幅图像93.3的直线段点特征[33]特征点的约1800特征点匹配30幅图像94.3位置及方向宽线检测算子[32]表示纹线2056逻辑异或PolyU(v1) 1.0的二值数据线特征向量[35]矢量200相关系数3200幅图像(1920幅97.5 1.0训练,1280幅测试)多特征[2]纹理能量大于2048能量差异和200幅图像95和感兴趣点Hausdorff距离358自动化学报36卷合主线和皱褶不同粗细的特点,而基于全局统计量的方法对图像平移和旋转更加鲁棒.总的来说,基于统计的方法比基于结构的方法有更高的准确率,统计的本质也使得该类方法对噪声不敏感.此外,由于原始掌纹图像被有效地表示为若干个统计量,因此特征所占的空间很小,匹配速度也很快.表3列出了几种基于统计的方法的性能比较.2.3基于子空间的方法子空间方法将掌纹图像看作是高维向量或矩阵,通过投影或变换,将其转化为低维向量或矩阵,并在此低维空间下对掌纹表示和匹配.根据投影或变换的性质,子空间方法可以分为线性子空间方法和非线性子空间方法.目前应用较为广泛的是线性子空间方法,主要包括独立成分分析(Independent component analysis,ICA)、主成分分析(Principal component analysis,PCA)、线性判别分析(Linear discriminant analysis,LDA)等.与前两类方法不同,基于子空间的方法大都需要对每个类别的掌纹图像构造训练集,在该训练集上计算最优的投影向量或矩阵,并将投影后的向量或矩阵作为该类掌纹的特征.在识别阶段,首先对待测掌纹图像作相同投影或变换,之后采用最近邻或最近特征线(Nearest feature line,NFL)分类器分类.基于子空间的方法已成功地应用于人脸识别,移植到掌纹识别后也取得了很好的效果.Lu等[47]提出了利用PCA进行降维的Eigen-Palm方法,该方法首先将掌纹图像连接为高维向量,并计算该向量的散度矩阵的特征值和特征向量,之后保留若干较大的特征值对应的特征向量构成投影矩阵.由于PCA主要考虑的是掌纹的表示(Representation),而不是掌纹的判别(Discrimi-nance),Wu等[48−49]又提出了在PCA的基础上再进行LDA降维的FisherPalm方法.LDA方法同时考虑类内散度和类间散度,并通过最大化类间散度同时最小化类内散度(即Fisher准则)计算最优的投影矩阵.此外,文献[50]提出融合PCA和LDA 特征,文献[51]提出利用核线性判别分析(Kernel Fisher discriminant analysis,KFDA)方法,都取得了比单独使用PCA或LDA更好的效果.由于小样本(Small sample size,SSS)问题, PCA易于对训练集产生过拟合(Overfitting).作为一维PCA的推广,Yang等[52]提出了2DPCA并应用于人脸识别.在2DPCA中,图像被看作是由若干个行向量组成,并在此行向量上进行PCA降维,这就有效地解决了小样本问题.相比于PCA,该方法具有更好的泛化能力,但缺点是特征维数较高.在此基础上,Wang等[53]将2DPCA和LDA结合的方法应用于掌纹识别.在文献[54]中,Lu等指出,先对掌纹图像做小波分解,再应用2DPCA,可以得到比直接应用2DPCA更高的识别率.BDPCA(Bi-directional PCA)由Zuo等提出,并应用于人脸和掌纹识别[11,55].BDPCA可以看作是2DPCA的一种推广,通过分别计算行投影矩阵与列投影矩阵,将掌纹图像最终变换为一个矩阵,作为该掌纹的特征.对于该特征矩阵,Zuo等采用集成矩阵距离(Assembled matrix distance,AMD)的度量方式计算相似度.相对于PCA,BDPCA具有更好的泛化能力,可以减轻训练时带来的过拟合.该方法还省去了PCA中的图像连接过程,因此特征提取的效率更高.此外,BDPCA提取的特征维数要远小于2DPCA,因此保存特征所需的存储空间更小,匹配速度更快.在BDPCA的基础上,文献[56]使用BDPCA和LDA相结合的方法,文献[57]提出先用BDPCA提取特征再用一维PCA降维的方法,都得到了比单独使用BDPCA更好的结果.在文献[58]中,接标等将ICA方法应用于掌纹识别.在文献[59]中,Lu等先将掌纹图像做小波分解,之后应用ICA方法提取特征,实验表明优于直接使用ICA的方法.基于子空间的方法具有坚固的理论基础,并且已广泛地应用于人脸识别中.相对于基于结构的方法,具有识别率高、特征小等优点,较之基于统计的方法也有更高的识别率.尤其是在Zuo等提出BD-PCA之后,特征提取阶段的计算量也大大减少,使得该类方法的优势更加明显.但是该类方法通常对每个类别都需要多个训练样本,且训练样本的选取对识别结果影响较大.表4列出了几种主要的基于子表3基于统计的方法的比较Table3Comparison of statistics-based methods算法名称特征维数匹配方法数据库识别率等误率(%)傅里叶变换[37]8+8一阶范数和相关系数3000幅图像95.48%小波变换[38]27加权的一阶范数200幅图像98%Hu矩[43]7欧氏距离378幅图像FAR=0.038%,GAR=98.1%Zernike[44]11欧氏距离300幅图像6.44一阶范数 5.56。

掌纹识别技术的原理及应用掌纹识别技术是一种基于人体掌纹特征进行身份验证和识别的生物识别技术。

它利用掌纹图像中独特的纹线分布、纹线细节和纹线间距等特征，通过计算机图像处理和模式识别算法，实现对个体掌纹的自动识别和比对。

掌纹识别技术已经在多个领域得到广泛应用，包括安全防范、移动支付、门禁管理等。

下面将详细介绍掌纹识别技术的原理和应用。

一、原理掌纹识别技术的原理主要包括掌纹图像获取、特征提取和模式匹配三个过程。

1. 掌纹图像获取掌纹图像获取是掌纹识别的第一步，关键是通过可靠的设备获取高质量的掌纹图像。

常用的掌纹图像获取设备包括掌纹扫描仪、智能手机摄像头等。

掌纹图像获取的过程中，需要确保手掌完整展开，光线充足，避免图像模糊或过曝。

2. 特征提取特征提取是掌纹识别的核心过程，通过对掌纹图像进行处理，提取出能够代表掌纹特征的信息。

常用的特征提取方法包括纹线提取、纹型提取和纹间距提取。

纹线提取是通过提取掌纹图像中的纹线信息，包括纹型、纹线的方向和长度等；纹型提取是根据纹线的形态特征，将掌纹分为弓形、循环形和弓循环混合形等几种基本类型；纹间距提取是根据纹线之间相对位置的差异，提取掌纹图像中的纹间距信息。

3. 模式匹配模式匹配是掌纹识别的最后一步，通过将提取到的掌纹特征与已知的掌纹模板进行比对，确定身份的匹配程度。

常用的模式匹配算法包括相似度比较算法、模式匹配算法和神经网络算法等。

相似度比较算法通过计算提取到的掌纹特征与模板中的特征之间的相似性，判断是否匹配；模式匹配算法通过建立数学模型，将掌纹图像和掌纹模板进行比对；神经网络算法则是通过训练神经网络，将提取到的掌纹特征输入网络中进行识别。

二、应用掌纹识别技术在多个领域都有广泛的应用。

1. 安全防范掌纹识别技术可以应用于安全防范领域，例如在边境口岸、机场等场所进行边防检查和人员管控。

通过对比掌纹信息，可以实现对可疑人员的快速识别和有效筛查。

2. 移动支付掌纹识别技术可以应用于移动支付领域，实现身份验证和交易授权。