应用实例(掌纹识别及DSP实现)

图3.2 (a)经典Sobel边缘提取效果图 (b)改进Sobel边缘提取效果图
• •
3.2拐点的提取 3.2.1形态学算法原理
(a)
(b)
(c)
(d)
(e) (f) (g) 图3.3 (a)采样图像 (b)二值图像 (c)轮廓边缘图像 (d)膨胀图像 (e)腐蚀图像 (f) 拐点区域图像 (g)拐点图像
现识别库的管理以及 图2.2 软件结构示意图 识别过程。算法基本设计思路如图2.2所示 。
• 2.1.3算法流程 本文掌纹识别算法分为若干实现模块，见图2.3：
图2.3 主要算法流程图
• 2.2 DSP实现 本文设计实现的DSP硬件平台是闻亭公司的 DM642开发板。TDS642EVM 多路实时图像处理平 台是基于TI的TMS320DM642 DSP芯片设计的评估 开发板。
4 掌纹图像的特征提取和特征匹配
• 4.1特征提取的预处理过程 • 4.1.1图像增强和灰度平衡 本文在对分割图像做FFT变换提取特征值运算之 前，考虑到噪声影响以及不同光源背景对提取掌纹纹 线时设定阈值的影响，在FFT变换之前要做一些必要 的预处理。本文分别采用3种预处理方法：经典 Sobel算法结合双阈值处理、改进Sobel算法结合单 阈处理、基于改进Sobel算子图像增强处理。 所谓灰度平衡，由于图像背景灰度的差异会影响 阈值的设定，为了使同一阈值能够适应不同灰度背景 的图像，就必须将不同图像背景归一到同一灰度平面 内，即灰度平衡处理 。本文设定的灰度均差为180。
(a)
(b)
(c) (d) 图4.5 (a)原图像 (b) 改进Sobel提取边缘图像 (c)标定后的图像 (d)Sobel增强图像
• 4.1.3快速二维傅立叶变换的实现
(a)
(b)
(c)
图4.4 (a)( 图4.3b)的FFT频谱图像 (b)(图4.3d)的FFT频谱图像 (c)（图4.5d） 的FFT频谱图像
lxx
1 ( xi xi ) 16 i 1 i 1
16
16
2
(4.12)
Y的方差Lyy为式(4.13)：
l yy ( yi
i 1
16
1 yi ) 16 i 1
16
2
(4.13)
X 和图像Y 的相关系数：
xy
lxy lxx l yy
(4.15)
图3.10 手掌图像采集定位示意图
• 3.4掌纹图像的分割 • 3.4.1基于手掌最大内接正方形的分割算法原理 直接搜索掌面最大内切 圆，以该圆为分割图像进 行FFT变换的方法，本文 认为搜索最大圆的计算量 过大、耗时长，不能满足 实时性要求；而且直接对 分割圆进行FFT变换，即 使是同一手掌在不同时刻 的采样，其掌面半径也不 可能完全一样，其FFT变 换结果差异较大，影响识别的精准度。
X和Y的相似程度为式(4.16)：
D( xy ) xy × 100
(4.16)
定合适的阈值来判断这两幅掌纹图像是否属于同一手 掌。
D( xy ) 越大则表明两幅掌纹图像越相似, 可以通过对设
5 掌纹识别库
• 5.1掌纹用户的注册和删除以及识别过程 掌纹识别库主要存储掌纹图像的粗匹配特征值、 细匹配特征值、注册标记三个数据内容。粗匹配特 征值即掌面的最大半径，细匹配特征值即掌纹图像 频谱域中8个方向上的特征值数组，注册标记用来记 录注册用户的编号。 本文对掌纹数据库的操作分为用户注册、用户删 除、用户识别三个模块。识别模块是系统的基本功 能模块，完成待测掌纹与掌纹库的匹配过程；注册 模块又称建库模块 用来注册用户和建立掌纹识别库； 用户删除模块也是系统应用的重要模块，用来删除 过期用户同。
• 1.2生物特征识别的简介 身份鉴别可用的生物特征须满足的条件： 第一，普遍性； 第二，唯一性； 第三，可测量性； 第四，稳定性： 掌纹识别以上条件都满足。 • 掌纹面积较大涵括信息丰富、特征稳定 • 提取特征时不容易受到噪声的干扰 • 采集设备简单低分辨率图像就可以满足要求 • 被窃取的可能性小。
• 1.3掌纹识别的研究现状 掌纹识别算法有很多种，主要分为两大类： 基于统计特征的识别方法是将掌纹图像进行某种 变换，使得掌纹在变换域中区分性更好或维数更低， 将掌纹特征在变换域中体现的更好或者便于提取、 分类、识别。例如：傅立叶变换 、K_L变换 小波变换等。 基于掌纹结构特征的识别方法主要是将掌纹图像 看作纹理图像，手掌不同纹理也不同。这些方法传 承指纹识别的思想,受掌纹图像分辨率的影响较大； 并且受掌纹相似程度的影响，该方法对小型数据库 有效，对大型系统而言，识别精度会大大下降。
2 掌纹识别软件框架与DSP硬件平台
2.1软件框架及算法流程 2.1.1掌纹识别的核心思想 核心思想是双重匹配识别思想： 第一级(又称粗匹配)：用手掌的掌面最大内接正 方形边长作为匹配标准，由于不同的人的手掌 大小有所区别； 第二级(又称细匹配)：将粗匹配阶段得到的掌面 识别的有效区域作为匹配区域, 对有效区域的掌 纹信息进行特征提取，得到掌纹的频谱域图像， 含有不同掌纹信息的图像在频域图中的能量分 布也不同。
掌纹识别的研究与 DSP实现
硕士生：吴 军 导 师：吴冬梅 2009.06
主要内容
• • • • • • 1 绪论 2 掌纹识别软件框架与DSP硬件平台 3 掌纹图像的预处理及定位 4 掌纹图像的特征提取和特征匹配 5 掌纹识别库 6 系统性能分析及总结
1 绪论
• 1.1课题研究的背景和意义 生物特征识别技术：就是通过计算机与各种传感 器和生物统计学原理等高科技手段密切结合，利用 人体固有的生理特性和行为特征，来进行个人身份 的鉴定。 掌纹识别：是生物特征识别领域的又一新兴技术， 它是指根据人手掌上的有效信息来识别哪些掌纹图 像是来自同一只手掌，哪些掌纹图像是来自不同的 手掌。 全球各国纷纷将生物特征识别技术的发展作为关 系国家安全的重大基础技术加以扶持、推广。
1.4掌纹识别系统应用现状
2002年香港理工大学和哈尔滨工业大学联合 研制了世界上第一套民用掌纹识别系统；2007年 张大鹏教授等研制成功了国际上第一套高精度自 动掌纹识别系统；近期，日本富士通开发了非触 式掌纹识别系统并投放国际市场。 目前掌纹识别系统在各种生物识别系统应用分 额中占很小的部分，民用掌纹识别系统少之又少， 在国内民用掌纹识别系统应用市场几乎空白。 那么研制体积小巧、价格便宜、开发周期短、 维护方便、满足中/低级别安全要求的掌纹识别系 统，以便在民用领域推广和普及应用将是一个很 有意义的研究课题，也是掌纹识别系统研究应用 的发展趋势。
• 4.2特征提取和匹配 • 4.2.1特征提取
I (r , ) f (64 r cos ,64 r sin )
0 r 64,0
(i 1, 2,3........,16)
i
I (r, /16)
i 1 r 0
i
128
i 为16个方向上的频谱和，在FFT变换图像中就是
• 3.4.2分割结果分析
(a) (b) 图3.9 分割效果图(a)、(b)来源于同一手掌不同采样图像的分割效果
图3.9所示的是同一手掌在不同时刻采样的两幅图 像做分割处理的结果，这两幅图像有2个像素的平移差 异。 (1)由于手指张合程度的差异，手掌摆放位置的不 同，拐点位置也有差异；(2)旋转运算后，像素坐标值 一般为小数，强制转换为整数后也有误差。使用本文方 法进行定位运算，无法避免或消除以上误差；但是分割 图像差异一般保持在几个像素间，差异不大，对匹配结 果的准确性不会有太大的影响 。
形态学原简单，实现方便、快速。但由以上结果 可知，用形态学原理来提取拐点进行定位的方法， 其本身有局限性，定位准确性受到手指张合程度的 影响较大。使用改进型Sobel边缘算法可以一定程度 的减少错误的发生，但不能根本上消除其影响。所 以在实际系统中，采集掌纹图像的时候应当对手掌 的摆放稍微加以限制，例如在采集屏上标记手掌和 手指形状的图形，要求用户手掌摆放在图形之内； 或者在采集屏上安装小的触摸丁，让用户手指触摸； 或者直接设计指环，让用户手指套入指环内等。这 样可以最大限度避免甚至消除以上错误的发生。例 如图3.10的示范，在采集屏上加上小螺钉(1,2,3,4,5) 对手指的张合加以限定。
本文掌纹识别的主要处理过程有定位、分割、特征 图像预处理、特征提取和匹配。掌纹识别预处理的关 键处理步骤见图2.1。
图2.1掌纹图像预处理关键步骤示意图
• 2.1.2软件系统框架 本文软件系统 设计主要分两大块， 一是“算法实现模块”， 一是“系统应用模块”。 “算法实现模块”主 要实现掌纹的预处理、 特征提取、匹配过程； “应用模块”主要是 根据匹配的结果，实
• 4.1.4基于改进Sobel算子的图像增强原理 由于改进Sobel算法在提取图像边缘的时候，不 仅可以有效的抑制噪声，锐化效果也比较突出，基于 上述优点，根据拉普拉斯算子做图像增强的思路原理， 本文提出了利用改进Sobel算子对掌纹图像做增强的 处理方法，并以此增强结果作为掌纹特征提取的输入 进行匹配。 用改进Sobel算子对掌纹图像做增强的实 现步骤： (1)对分割图像进行改进Sobel边缘提取，改进模板 见图3.1。 (2)对(1)的计算结果做标定：用255/MAX去乘图像每 个像素值，得到标定图像； (3)将原分割图像与标定后的图像做加权加法：原图 像权系数为0.5，标定图像的权系数为1.2：即原图像 ×0.5+标定图像×1.2=增强图像。(权系数由实验经验 得到)增强效果见图4.5。
图3.1 改进型Sobel算子方向8模板、经典Sobel算子
• 3.1.2改进型sobel算法原理结果分析 在对同一幅二值化的掌纹图像做轮廓边缘提取的时 候，由于改进型Sobel算法结果边缘平整连续，没有 边缘缺失的情况。在利用形态学的方法进行拐点提取 的时候，可以最大程度减小拐点搜索缺失的情况，增 加定位的精确程度。见图3.2：
• 3.2.2结果分析 错误情况一，见图3.4：
图3.4 错误情况一示意图
结果中小拇指和无名指之间的拐点没有计算出来。 分析原因是因为无名指和小拇指张开角度过大，膨 胀和腐蚀以后没有产生联通的区域。
错误情况二，见图3.5：
图3.5错误情况二示意图
上面结果中第3个拐点的坐标位置不正确。分析原 因是由于中指和无名指张开角度过小，膨胀和腐蚀 以后中指和无名指之间的联通区域过长，导致搜索 计算的时候搜索到记录相邻两点之间距离大于所设 置的阈值情况，则搜索的第三个拐点仍然在第2个联 通区域内。
16个方向上所有像素值的和。根据上式就可以计算出 反应掌纹图像能量分布特征的16个特征值，又因为 FFT频谱图像成中心对称，所以实际计算中只需要计 算8个方向上的特征值（即i的最大值为8）。
• 4.2.2匹配原理 粗匹配阶段，以20个人每人8幅右手图像做20组 测试，相同手掌间掌面半径差异一般不大于5，所以 本文将粗匹配的阈值设为5。如果两手掌掌面半径之 差的绝对值小于5，则认为属于同一人；如果如果两 手掌掌面半径之差的绝对值大于5则判定两个手掌属 于不同的人 。 细匹配阶段，是以两幅手掌图像之间的统计相似 程度来进行区分的。设X[8]和Y[8]分别为两幅待测图 像的频谱域特征值数组， xi和 yi 分别为X和Y的特征 分量，则X的方差Lxx为式(4.12)：
图2.4 DM642功能结构示意图
图2.6 DM642存储器编址示意图
图2.5 DM642系统参数图
•Baidu Nhomakorabea表2.1 存储器分配
3 掌纹图像的预处理
• 3.1边缘提取 • 3.1.1改进型sobel算法原理 用Sobel算子做图像边缘提取是现在常用的边缘 提取方法之一 。本文采用8方向模板改进型Sobel算 子做边缘提取的运算模板。见图3.1 ：
拉普拉斯图像增强和灰度平衡处理：拉普拉斯模板 如图4.1：
(a) (b) 图4.1 拉普拉斯变换的两种模板 (a)中心系数为正(b)中心系数为负
(a)
(b)
(c)
图4.1 (a)原分割图像 (b)拉普拉斯增强效果 (c)亮度平衡图像
• 4.1.2掌纹纹线提取
图4.3.(a)经典Sobel提取边缘效果 (b)双峰阈值提取的二值化纹线图 (c)改进Sobel提取 边缘效果 (d)单阈值提取的二值化纹线图