掌纹图像提取

12(,)(,)(10)C M D i i i L C S L C L x y M M ==+∑ 掌纹提取与个人身份鉴别的匹配吴向前，IEEE 会员；张大卫，IEEE 高级会员；王宽全，IEEE 会员摘要——掌纹印记是一种新出现的具有生物检测特征的个人认证方法。

这种稳定的纹理特点，或者称之为“掌纹”，是由主要的纹理和褶皱构成，我们可以用它准确地描绘出一幅掌纹图形，并且可以从低分辨率的图像当中将其提取出来。

这篇论文提供了一种全新的掌纹提取和用于个人身份鉴别的途径。

为了提取掌纹，一组方向线感应器应用而生，这套装备用来提取不同方向的掌纹。

为了避免丢失掌纹结构的细节，我们使用一连串密码来代表这些无规则的掌纹线。

为了匹配掌纹，我们将两张手掌图片中掌纹各点的对应程度成为匹配度。

实验结果显示，这个推荐出的方法可以有效的区分手掌图片，即使图片暗淡无光。

这个所推荐的方法的存储量和运算速度可以满足实时生物检测系统的要求。

索引词——生物检测学，链式密码，线提取，线匹配，掌纹，手掌图片识别。

Ⅰ.介绍在我们这个以信息为基础的社会里，计算机辅助个人识别方式变得越发重要，而在这一方面，生物检测学是最重要，最可依赖的方法之一[1],[2]。

使用最广泛的生物检测特征就是指纹[3],[4]，最可靠的特征就是虹膜[1],[5],[6]。

然而，从不清楚的指纹中提取小而独特（众所周知的微小）的特征是非常困难的[3],[4]，而红魔采集设备又非常昂贵。

其他的生物检测特征，例如脸[7],[8]，和声音[9],[10]，至今仍然不够精确。

和这些特征相比较，掌纹这个新出现的生物检测特征相对的具有一些优势[11]。

掌纹比指纹包括更多信息，因此更加特别。

掌纹提取设备比虹膜设备更加便宜。

进一步说，掌纹包括额外的特有的特征，例如主纹理和褶皱，它们可以由低分辨率图像中提取而得。

通过结合手掌的所有特征，例如手掌的几何图形，手掌起伏的特征，主纹理和褶皱，建立一个高精确度的生物检测系统是可行的。

许多研究聚焦在离线掌纹认证[12]。

采取以下步骤可以获得离线掌纹图像：1）用油墨印记手掌；2）将油墨手掌压在白纸上；3）扫描图像，把手掌印记由纸上传到电脑上。

显然，这种方法是很耗时的，不切实际。

考虑到应用方面，更严格的限制是离线掌纹识别系统不能实时的工作。

为了克服这些问题，一些研究者转而研究在线掌纹识别，并且取得了一些不错的效果。

张等人[13]曾经使用二维（2-D ）Gabor 滤波器从低分辨率掌纹图像中提取纹理特征，而这些图像是通过使用一台电荷耦合侦测照相机获得的，而且他们使用这些特征实现了一个高精度的在线掌纹识别系统。

游等人[14]将掌纹装换成多种功能的编码，用以个人认证，存放在一个大数据库中。

章和章使用小波信号来描述掌纹，使其通过定向的情景模式。

韩等人使用扫描仪对掌纹图像进行扫描，并用索贝尔算子和形态学操作来提取掌纹线性特征。

同样，为了核实，Kumar 等人用数码相机获得掌纹，再用其他定制模板从中提取线性特征。

然而，这些掌纹认证方法都不能准确地从在线掌纹中提取出掌纹线，同时，它们无法利用掌纹线结构特征。

但是，在用于掌纹认证方面，掌纹线结构特征是最好的选择，因为它们可以清楚地描绘出掌纹，并能有效地排除光照和噪声干扰。

在这篇文章当中，依据掌纹线的性质，我们发明了一些定向线性探测器，并在不同的方向队掌纹线进行探测。

为避免丢失掌纹线结构的细节，我们用循环码来替代这些无规律的线。

为了匹配掌纹，依据掌纹线的各点对比情况，我们可以估算出两个掌纹之间的匹配分数。

在我们获取掌纹时，手掌的位置，方向和伸展度可能是多样的，以至于来自同一个手掌的掌纹几乎不能有一点点的旋转和变动。

另外，手掌在长度方面也存在不同。

因此，在掌纹特征提取与匹配之前，掌纹图像应当是定向的，标准的。

为防止手掌伸展，调换和旋转，我们以CCD 为基础的掌纹获取设备[13]需要匹配一些固定物。

这些固定物会将手指分开使之形成小孔，一个夹在食指与中指之间，另一个夹在无名指与小拇指之间。

在这篇文章当中，我们使用预处理技术来表示定位掌纹。

这种技术可以计算出两个小孔之间的相切度，并使用这些信息来定位掌纹。

图像中央部分是128*128，需要去掉不正的部分，然后得到整个掌纹。

这种预处理极大地减小了来自于同一手掌的掌纹的调换与旋转情况。

这篇文章的剩余部分提供了一些例子。

第二章讨论了掌纹线如何提取与表示。

第三章讲述了掌纹的匹配第四章包含了一些实验结果和数据分析。

在第五章，我们进行了总结。

Ⅱ. 掌纹线提取与表示手掌线包含了主线和褶皱，是屋脊边缘算子的一种。

我们通常将一个灰度剖面的一阶导数中的中断点定义为屋脊边缘算子[18]。

换句话说，屋脊边缘算子的定位就是一阶导数的零点。

边缘点二阶导数的梯度可以反映出这些边缘点的强度[19]。

这种性能可以探测掌纹线，但是掌纹线的方向是任意的，而且我们很难直接从噪声图像当中得到掌纹线的方向，因此，在这一章中，我们将讨论探测不同方向的掌纹线，并且我们将θ方向的线叫做θ线，将探测θ线的探测器叫做θ探测器。

假如我们用I(X,Y)来表示一幅图片，我们设计一个水平线探测器（即0º探测器）。

为了提高线的关联性和平滑度，图像要保持线方向（水平方向）光滑，我们要使用带方差σs 的一维高斯函数G σ。

如下所示(1)S S I I G σ=*其中*是卷积运算，是为了实现图像的线性滤波。

垂直方向上，对带方差σd 的一维高斯函数G σd 求一阶导数和二阶导数，并分别与平滑图像进行卷积，就可以算出垂直方向的一阶与二阶导数。

如下所示'''0'10''''''0''20()()()(())(2)()()()(())(3)d S dS ddS d S dT T S T T T S T I I G I G G I G G I H I I G I G G I G G I H σσσσσσσσσσ︒︒︒︒=*=**=**=*=*=**=**=* 其中T 是转置运算，*是卷积运算1'0()S d T H G G σσ︒=* 和2''0()S d T H G G σσ︒=* 是水平线探测器（0º探测器）。

通过寻找'0I ︒ 在垂直方向的零点，我们可以得到水平线，零点恰是对应''0I ︒ 的极值点。

如下所示'''001''000(,),(,)0(,)(,)(,1)0(4)0,I x y if I x y or L x y I x y I x y ︒︒︒︒︒⎧=⎪⎪=⨯+<⎨⎪⎪⎩其他 进一步而言，我们可以从10(,)L x y ︒特定的符号值确定屋脊边缘算子的种类，，如谷值和峰值：正号代表谷值，反之，符号代表峰值。

由于所有的掌纹线都是低谷，则在10(,)L x y ︒中的所有负值都应舍弃，如下所示111000(,)(,)0(,)(5)0,L x y if L x y L x y ︒︒︒⎧>⎪=⎨⎪⎩，其他掌纹线比脊线厚得多。

由于这个原因，我们可以用一个或多个阈值将脊线从20L ︒中分离出来，并且可以得到二值图像0L ︒，也就是0°方向线。

将10H ︒和20H ︒旋转θ角度，就可以得到θ方向探测器1H θ和2H θ。

通过图像与1H θ和2H θ卷积，我们可以得到θ+90°方向的一阶导数和二阶导数。

通过寻找'I θ在θ+90°方向的零点，我们可以得到线点。

去掉屋脊边缘算子的峰值和阈值后，我们可以得到二进制的θ方向线图像0L ︒。

最后所有方向的线图像结合起来形成一幅完整的线图像，用L 表示，如下所示 (,)(,)(6)all L i j L i j θθ=∨其中ˇ表示逻辑或运算。

进行关闭并细化操作后，我们得到的结果就是手掌线图像。

Fig.1展示了手掌线图像的提取过程：（a ）是原始掌纹图像，（b ）至（e ）分别是在0◦，45◦，90◦和135◦方向线图像，（f ）是所得手掌线图像，和（g ）是原来的掌纹与所提取的掌纹线重叠。

在这些方向线探测器有两个参数，即，1）σs 和2）σd 。

我们可以检测到σs 控制连接和平滑的线，和σD 控制的线条的宽度。

一个小σs 导致检测线的不良链接和差的平滑度，而大σs 会导致丢失一些短线和大曲率线段。

当σd 很大时，薄的屋顶边缘算子无法提取出来。

因此，σs 和σd 是依赖于数据库。

在一般情况下，掌纹线很长，很窄，有点直。

因此，为了提取手掌线，σs 应该大而σd 应该很小。

根据σs 和σd 的这些属性，在本文中，我们从我们的数据库中选择了几十典型的掌纹，在无数次的实验（视觉上评估实验结果）中手动调整这些参数值，并获得适合提取手掌线的参数：强度σs=1.8和σd= 0.5。

通过使用这些值，我们能够从各种各样的掌纹中提取出大多数的手掌线。

然而，使用相同的强度σs 和σd 从不同的掌纹中提取出所有的掌纹线是不可能的。

有许多因素可能会影响手掌线提取的结果，如图像的质量， 参数的值，和复杂的手掌线结构。

在一些线结构复杂的手掌上，某些掌纹无法提取。

然而，使用σs 和σD 的这些值不会严重影响认证的精确度，因为大部分的掌纹线已经提取成功。

在矩阵10H ︒和20H ︒（矩阵内容）的元件的值，它们通过使用（2）和（3）计算得到，延长它们与矩阵中心的距离会使其变得更小。

因为小值元件对线提取的结果几乎没有影响，所以没有必要使用的所有组件提取手掌线。

附加的实验结果表明10H ︒和20H ︒的大小为5到9就可以满足手掌线提取的需要，使用较大的尺寸不会大大改善结果。

基于这些实验，10H ︒和20H ︒，也就是合适的手掌线提取矩阵，可以像在页面底部的（7）和（8）所示的那样被计算出来。

图2展示出了一些掌纹线提取的例子，其中（a ）是原始的掌纹图像，（b ）是所提取的掌纹线，和（c ）提取的掌纹与原掌纹图像重叠。

在这些例子中，我们用0◦，45◦，90◦，135◦方向线探测器来提取手掌线。

由于手掌线具有不规则的形状，所以我们很难将它们表示为数学形式。

其中一个有效的方法用以代表不规则掌纹线就是链码[20]，我们根据指向到下一行的像素，将掌纹线上像素的方向码定义为一个0到7之间的整数[见图3（a ）]。

A 链的代码是一条线的像素由像素的方向代码。

掌纹线的链码可以由以下方式获得：1）获得的坐标起点;2）从起点跟踪这条线,获得向码序列{c1，c2，…}。

在跟踪过程中，如果有分支，我们随机选择一个，并沿着该分支继续跟踪。

这种表示可以使掌纹很容易准确地恢复。

图3（b）和（c）提供一个不规则线的链码例子。