掌纹识别

一种基于掌纹图像识别的身份鉴别方法
掌纹图像识别是一种依赖于图像处理技术的生物特征识别技术，
在身份鉴别中应用十分广泛，能够准确快捷的实现安全认证。

掌纹图像识别通过捕捉手指或者掌部的细节信息（如极线、谷纹等），获取指纹或者手掌图像，进而进行识别判断。

这种方法实现起
来简单，并且成本低，因此在身份鉴别、政府机构、企业等各个方面
得到广泛使用。

相比于传统感应式指纹识别，采用掌纹图像识别的系统不仅安全
性更高，而且具有更大的处理能力。

采用掌纹图像识别技术，在身份
鉴别时能够实现仿真版认证，智能化操作流程，以此确保身份鉴别的
准确性和安全性。

此外，由于掌纹图像识别所采集的信息是独一无二的，可以多次
重复使用，因此更具有安全性，而且识别效率高，并且可以抗拒破译
等干扰并保护隐私。

掌纹图像识别技术也具有良好的可扩展性，可以根据不同的应用
需求和环境条件，对技术进行调整，以更好的实现身份鉴别的需求。

对于企业等用户来说，采用掌纹图像识别技术可以有效避免经济损失，提高工作效率，同时还可以提供更为有效的信息安全保护机制。

总而言之，掌纹图像识别技术具有准确性高、安全性强且可扩展
性强等特点，使其在身份鉴别技术领域得到了广泛应用，将有助于提
高个人、企业等各类客户的安全性和工作效率。

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。

●线扫描掌纹识别系统●背景生物识别系统是利用各种生物和/或行为特征的身份认证系统，包括指纹[1]，面部[2]，手/手指几何，虹膜[3,4,5]，巩膜[6,7]，签名，步态，掌纹[8,9]，声音图案，耳朵[10]，手静脉，气味和一个人的DNA信息。

手指生物特征，包括指纹，静脉和掌纹，不仅是最古老，而且成功的。

用户简单而且广泛的接受。

性能优良。

在多光谱下，丰富的功能表现出优异的识别性能，并且在多光谱下具有高度可靠性的印刷识别功能尚未得到普遍应用。

2003年第一次在线掌纹识别系统被发明[8]。

从那时起，已经创建了许多采集系统，例如平板扫描仪捕获压制掌纹[11,12,13,14,15,16,17,18]，捕获无约束掌纹的基于网络摄像头的系统（WCBS）[19,20，21,22,23,24,25,26,27]和掌纹平台压板表面拍摄稳定掌纹的掌纹采集系统[28,8,29,30,31,32,33,34,35,36,37 ，38]。

掌纹识别系统I平板扫描仪捕获压制掌纹[11，12，13，14，15，16，17，18]。

掌纹识别系统II基于网络摄像机的系统（WCBS）捕获无约束掌纹[19,20,21,22,23,24,25,26,27]。

掌纹识别系统III掌纹采集系统具有固定的平板压板表面捕获稳定的掌纹[28,8,29,30,31,32,33,34,35,36,37,38]。

线扫描传感器大小，干扰，互动影像引导方案线扫描传感器的优缺点优点：体积较小、捕获速度更快、更好的图像质量、坚固的干扰缺点：从未在生物识别中使用（指纹扫描传感器捕获条形图像）。

镜头很大、同步单元、图像质量的比较与评估失败的尝试I工业线性相机和线性单元：工业CS安装镜头很大。

线性相机的速度远远不够。

工作距离不得小于15厘米。

失败的尝试II带有一个反射镜的线性CCD传感器：S安装镜头较小。

视野要求较长的工作距离。

失败的尝试III带多个反射镜的线性CCD传感器（五）：多个镜子扩大光路。

余弦相似度保持的掌纹识别算法
余弦相似度保持的掌纹识别算法是一种生物特征识别的重要方法，在实际应用中可以被用于掌纹的识别与认证。

掌纹是指掌部表面的唯
一痕迹，它具备高度的随机性、不变性和唯一性，因此被用来作为一
种生物特征进行人员认证。

余弦相似度保持的掌纹识别算法是一种适用于掌纹识别的认证算法，它通过分析按指定格式剪裁后掌纹图像中的特征纹来进行掌纹识别。

该方法所需要的特征参数可以用来表示掌纹图像中的复杂结构，
而余弦相似度算法则可以根据这些特征参数来比较两个掌纹的相似程度，以判断它们是否属于同一个人。

掌纹识别的关键步骤是掌纹图像的特征提取。

余弦相似度保持的
掌纹识别算法可以通过对掌纹图像上的拓扑特征纹进行成形拓扑特征
提取，使用合理的特征提取算法来抽取不同区域内的拓扑特征纹，用
来表示掌纹图像的复杂结构。

接下来，在计算两个掌纹图像之间的相似度时，余弦相似度保持
的掌纹识别算法也可以用来衡量该特征参数的相似度，以反映两个掌
纹的相似程度。

在掌纹图像的分析过程中，将这些特征拓扑参数放入
空间向量中，并对其中包含的特征参数进行相似度计算，相似度大小
可以反映出掌纹的相似程度，而表达掌纹的白点计数值(cancelable feature)可以用来代表掌纹的独特性。

最后，将计算出的相似度与指
定阈值进行比较，根据设定的相似阈值可以判断两个掌纹是否属于同
一个人，以完成对掌纹的精准识别，以实现安全性要求高、身份识别
准确度高的安全系统。

基于纹线投影特征的掌纹识别方法研究的开题报告一、选题背景及研究意义掌纹作为生物特征之一，一直以来都被广泛应用于个人身份验证、犯罪侦查和居民管理等领域。

其中，掌纹识别技术因其高准确性、稳定性和便捷性，成为了最常用的生物识别技术之一。

目前，掌纹识别技术已经被应用于各种场合，例如银行卡取款、安全门禁、企业考勤等。

传统的掌纹识别方法主要基于掌纹纹线纹路的特征。

然而，由于掌纹的纹路特征容易受到伪造和修饰的影响，因此，掌纹识别系统的识别率并不高，尤其是在噪声和变形等情况下。

为了克服这些限制，学者们提出了基于纹线投影特征的掌纹识别方法。

这种方法通过将掌纹图像转化为纹线投影图像，然后提取其一些具有稳定性的特征来进行掌纹识别。

与传统掌纹识别方法相比，基于纹线投影特征的掌纹识别方法具有更高的准确度和稳定性，能够有效地识别噪声和变形。

因此，本研究旨在深入研究基于纹线投影特征的掌纹识别方法，提高掌纹识别的准确率和稳定性，为掌纹识别技术的应用提供更加可靠和有效的解决方案。

二、主要研究内容本研究的主要研究内容包括：1. 基于纹线投影的掌纹特征提取方法研究。

通过将掌纹图像转化为纹线投影图像，提取具有稳定性的特征来进行掌纹识别，并对这些特征进行深入研究，找出最具有区分力的特征。

2. 基于特征选择算法的掌纹识别模型构建研究。

通过选取最具有区分力的特征，建立掌纹识别模型，并对模型进行训练和测试，提高掌纹识别的准确率和稳定性。

3. 基于纹路匹配算法的掌纹匹配研究。

将提取的掌纹特征与参考掌纹进行匹配，找出最相似的掌纹，并进行识别和验证。

三、研究方法和技术路线本研究的研究方法主要包括图像处理、特征提取、模型构建和匹配算法等。

具体技术路线如下：1. 对掌纹图像进行预处理，包括图像增强、二值化、去噪等步骤。

2. 将处理后的掌纹图像转化为纹线投影图像，提取具有稳定性的纹线投影特征。

3. 对提取到的特征进行预处理和特征选择，选取具有区分力的特征。

基于模态信息度评估策略的掌纹掌静脉特征识别方法目录1. 内容描述 (2)1.1 研究背景 (3)1.2 研究意义 (4)1.3 国内外研究现状 (5)1.4 本文工作概述 (6)2. 相关理论基础 (7)2.1 掌纹特征的提取 (8)2.2 掌静脉特征的提取 (10)2.3 信息度评估理论 (11)2.4 模式识别基础 (12)3. 基于模态信息度评估策略的特征识别方法 (13)3.1 特征选择与优化 (15)3.1.1 特征选择算法 (16)3.1.2 特征优化策略 (17)3.2 模态信息度评估过程 (18)3.2.1 模态信息的提取 (19)3.2.2 信息度的量化 (20)3.2.3 信息度评估模型 (22)3.3 掌纹掌静脉特征融合 (23)3.3.1 掌纹掌静脉特征的融合策略 (24)3.3.2 融合模型及其优化 (26)3.4 识别算法设计与实现 (27)3.4.1 识别算法原理 (28)3.4.2 编码与解码过程 (29)3.4.3 算法实现细节 (30)4. 实验验证与分析 (31)4.1 实验环境与数据集 (32)4.2 实验方案设计 (33)4.3 系统性能评估标准 (33)4.4 结果与分析 (34)4.4.1 识别准确率对比 (35)4.4.2 实验结果分析 (36)4.4.3 实验方案优化建议 (37)5. 结论与展望 (38)5.1 研究结论 (39)5.2 未来工作展望 (40)5.3 对未来研究的启示 (41)1. 内容描述本研究旨在提出一种高效的特征识别方法，通过评估不同分辨率下的掌纹和掌静脉图像的模态信息度，即每一种图像类型提供的关于身份鉴别信息的重要性，来提升身份认证的准确性。

在当前的生物特征识别领域中，图像质量对识别结果有着根本性的影响。

掌纹和掌静脉作为人类的独特生物特征，提供了丰富的模式信息，但由于其成像过程中可能受到的诸如照明条件、手指姿势、皮肤状态等外界因素的影响，其质量变异较大。

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。

手掌支付原理手掌支付原理：掌纹识别技术在支付领域的应用随着科技的不断发展，支付方式也在不断地更新换代。

从最初的现金支付，到后来的刷卡支付，再到现在的移动支付，支付方式的变化一直在不断地推进着。

而在这些支付方式中，掌纹支付技术也逐渐地走进了人们的视野。

掌纹支付技术是一种基于掌纹识别的支付方式，它的出现不仅提高了支付的安全性，还为人们的生活带来了更多的便利。

掌纹支付技术的原理是通过对人的掌纹进行识别，来完成支付的过程。

掌纹是人体皮肤表面的一种特殊纹路，每个人的掌纹都是独一无二的，就像指纹一样。

掌纹识别技术就是通过对这些独特的掌纹进行识别，来确定支付者的身份，从而完成支付的过程。

掌纹支付技术的应用非常广泛，它可以应用于各种场景，比如商场、超市、餐厅等。

在商场购物时，只需要将手掌放在支付终端上，系统就会自动识别出你的掌纹信息，然后完成支付的过程。

在超市购物时，只需要将手掌放在购物车上的支付终端上，就可以完成支付的过程。

在餐厅用餐时，只需要将手掌放在桌子上的支付终端上，就可以完成支付的过程。

这些场景中，掌纹支付技术都可以为人们带来更加便捷的支付体验。

掌纹支付技术的优点主要有以下几点：1. 安全性高：掌纹是人体皮肤表面的一种特殊纹路，每个人的掌纹都是独一无二的，就像指纹一样。

因此，掌纹支付技术的安全性非常高，可以有效地防止支付过程中的欺诈行为。

2. 便捷性高：掌纹支付技术只需要将手掌放在支付终端上，就可以完成支付的过程，非常方便快捷。

而且，掌纹支付技术不需要携带任何支付工具，比如银行卡、手机等，只需要带上自己的手就可以了。

3. 适用性广：掌纹支付技术可以应用于各种场景，比如商场、超市、餐厅等。

无论是购物、用餐还是其他场景，只要有支付终端，就可以使用掌纹支付技术。

掌纹支付技术的应用还面临着一些挑战。

比如，掌纹支付技术需要高精度的掌纹识别技术，才能保证支付的准确性和安全性。

此外，掌纹支付技术还需要建立完善的掌纹数据库，才能支持大规模的应用。

余弦相似度保持的掌纹识别算法
余弦相似度保持的掌纹识别算法（Cosine Similarity-based Palmprint Recognition Algorithm）是一种用于掌纹识别的最先进的算法。

它能够通过比较手掌纹和目标掌纹图像之间的余弦相似度来确定两幅图像的相似度。

该算法的实现方式是，将手掌纹图像转换为余弦空间，然后再利用余弦相似度归一化相似度图像。

接下来，算法根据比较的余弦值来计算比对的手掌纹的相似程度。

要实现余弦相似度保持的掌纹识别算法，首先要获取掌纹图像，并将图像进行大小缩放以得到相同尺寸的图像。

然后，将缩放后的掌纹图像转换为灰度图像，然后进行归一化处理以获得归一化图像。

接下来，根据掌纹图像上的每个像素点对应的灰度值计算每个像素点在二维空间中的余弦值。

最后，计算得到的余弦值，将其存储为掌纹图像的余弦图像，从而实现余弦相似度的保持。

余弦相似度保持的掌纹识别算法在精确性和准确性方面都表现良好，因为它不仅将空间特征考虑进去，而且还将灰度值考虑进去，从而提高了失真度。

余弦相似度保持的掌纹识别算法也比其他算法更有效率，它可以减少识别时间，可以更快地完成识别。

此外，该算法具有可重复使用的特点，可以根据不同的情况重新调整模型。

总而言之，余弦相似度保持的掌纹识别算法是一种高精度的识别方法，它结合了空间和灰度信息，在准确性、有效性和可重复性方面都表现出色。

ｌ芏Ｉ２一ｌ数码相机采集的掌纹图像Ｆｉｇｕｒｅ２－１ＰａｌｍｐｒｉｎｔＩｍａｇｅｂｙＤｉｇｉｔａｌＣａｍｅｒａ在线掌纹图像采集方法采用ＣＣＤ等专门设备对掌纹图像进行采集直接将图像转化为数字输入计算机中。

如图２．２为香港理工大学的张大鹏等设计的实用化掌纹识别系统。

图２－２掌纹采集仪Ｆｉｇｕｒｅ２－２Ｐａｌｍｐｒｉｎｔａｃｑｕｉｓｉｔｉｏｎｄｅｖｉｃｅ２．２掌纹图像的预处理基于掌纹的个人身份识别即将得到的掌纹图像与样本库中的样本进行匹配，找出最相似的样本，所以对于同一类的掌纹要提取出尽可能相同的特征，为简化算法，须消除因为位移和旋转等因素带来的影响。

采集掌纹图像时，同一幅手掌可能会发生位移或旋转，或由于相机和手掌之间的距离、光照条件不同等因素产生差异。

当两幅掌纹做匹配的时，希望同一幅掌纹所提取出的感兴趣区域ＲＯＩ（ＲｅｇｉｏｎＯｆＩｎｔｅｒｅｓｔ）相同，因此，需要对掌纹图像进行定位和归一化。

所以需要提取出合适的基准点，建立参考坐标系，然后对掌纹图像进行归一化分割，提取出ＲＯＩ区域，用于后面的特征提取和匹配识别。

ＲＯＩ一般选取手掌中心的区域，因为掌纹的大部分纹理信息都集中于这一区域，从该区域提取的特征足以区分不同掌纹，还可以减少不必要的噪声干扰，降低匹配算法的复杂度，保证系统识别的准确性和鲁棒性。

主要步骤如下。

ｌ、对原始图像进行灰度拉伸，增强图像的对比度，再利用固定阈值将图像二值化。

如图２－３和图２－４所示。

－一幽２－３原始ｌ玺｜像图２－４二值图像Ｆｉｇｕｒｅ２－３ＯｒｉｇｉｎａｌＩｍａｇｅＦｉｇｕｒｅ２－４ＢｉｎａｒｙＩｍａｇｅ设１（ｉ，ｊＸｉ＝ｌ…２．，４８０，Ｊ＝ｌ…２～６４０）为原始图像各点的灰度值，二值图像－ｒｋ力可以用下面的公式３－１表示。

１０，矿Ｉ（ｆ√）＜＝ｔｈｒｅｄｈｏＭ八‘力２ｉｌ，ｉｆｉ（ｆ＇少髓枷。

肘Ｔｈｒｅｓｈｏｌｄ表示二值化的阈值。

２、用边缘检测提取手掌外边轮廓线。

如图２．５所示。