一种3D掌纹认证方法技术

本发明专利技术公开了一种3D掌纹认证方法，该方法是先对3D掌纹进行预处理，变为一维图像，然后计算类内图相对和类间图相对的相干系数并作为新样本，使用新样本对堆栈式降噪自动编码机进行训练，提取到新样本特征，并得到训练好的降噪自动编码机；然后基于real adaboost算法和前一步骤提取到的新样本特征训练若干弱分类器，这些弱分类器的组合构成强分类器；然后用户输入一幅新的3D掌纹图像，与样本库预存的该用户的3D掌纹图像进行比对，判断它们属于同类还是异类。本发明专利技术方法实现简单、快速，采用相干算法来计算图像间的一致性，判别他们是否为同一用户的数据样本，解决了掌纹图像较小的平移问题及配准算法需要寻找定位信息的难题，具有较好的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及掌纹识别技术，具体的说是一种3D掌纹认证方法。
技术介绍
掌纹识别是一种重要的生物特征识别技术，掌纹图像中包含丰富的线特征和纹理 特征，使其在身份认证中具有极高的应用价值。但是传统的2D掌纹识别技术存在一些难以 妥善解决的问题：（1)2D掌纹容易受到光照变化、皮肤表面涂抹物等因素的干扰。（2)手指姿 态变化引起的图像特征的变化。（3)现有的特征提取方法难以充分利用图像中的有用信息。 最近，香港理工大学的张大鹏等提出三维掌纹识别技术，能够有效克服光照变化的干扰，但 是其他两个问题仍然存在。3D掌纹在识别过程中仍然需要对图像进行配准，然后提取特征 并计算被识别样本与数据库中模板的匹配分数。配准算法存在一定的误差，而其后的特征 提取和识别过程可能因为配准误差而失败。图像配准是图像处理研究领域中的一个典型问 题和技术难点，对于两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使两 图中对应于空间同一位置的点一一对应起来。因此，图像配准计算复杂，实现难度大。现有 的三维掌纹识别方法主要包括线特征提取方法和纹理特征提取方法。这些方法在采用 Gabor变换等方法增强掌纹的线特征或纹理特征后，将掌纹图像转化为特征图像。由于掌纹 图像中一部分线特征和纹理特征是稳定的，可用来进行身份识别。而另一部分线特征和纹 理特征是不稳定的，对识别构成干扰，而传统的掌纹识别技术难以区分这两类特征。
技术实现思路
本专利技术的目的是提供一种新的3D掌纹的认证方法，以解决目前已有方法难以充分 利用掌纹图像中的有用信息进行掌纹认证识别的问题。 本专利技术的目的是这样实现的： -种3D掌纹的认证方法，其包括以下步骤： 1)、计算样本库中的每一张3D掌纹图像的均值曲率，获得均值曲率图像，然后对所 获得的均值曲率图像进行归一化处理，再进行灰度化，得到灰度图像； 所述样本库采集自300~500个不同的手掌，每个手掌采集图像数为10~20; 另外，以每个手掌为一个用户，对样本库中的每一个用户的任意一张 3D掌纹图像 另外进行预存； 2)、从所得灰度图像中抽取类内图像对和类间图像对，然后将抽取的类内图像对 和类间图像对的所有灰度图像先进行一维变化，再采用幅值平方相干函数计算每个图像对 的两个图像信号之间的相干系数并设置类标签，以所得带有标签的相干系数作为新样本； 其中，类内图像对的两个图像信号的相干系数的类标签设置为类内，类间图像对 的两个图像信号的相干系数的类标签设置为类间；类内图像对即来自同一手掌的两个图像 信号，类间图像对即来自不同手掌的两个图像信号； 3)、使用新样本对堆栈式降噪自动编码机进行训练，提取到新样本特征，形成新的 样本集，并得到训练好的降噪自动编码机； 4)、基于real adaboost算法和步骤3)提取到的新样本特征所形成的新的样本集 训练若干弱分类器，这些弱分类器的组合构成强分类器； 5)、认证：用户输入一幅新的3D掌纹图像，与预存的该用户的3D掌纹图像进行比 对，判断它们属于同类还是异类，具体为： 首先分别计算这两幅3D掌纹图像的均值曲率，获得均值曲率图像，然后进行归一 化处理，再进行灰度化，得到两幅灰度图像;然后将所得灰度图像进行一维变化;采用幅值 平方相干函数计算进行一维变化后的两幅灰度图像的图像信号的相干系数，然后以该相干 系数作为输入，采用步骤3)所得训练好的降噪自动编码机提取特征，然后利用步骤4)训练 好的强分类器对提取到的特征进行分类，完成对该用户输入的新的3D掌纹图像的认证。 本专利技术的技术思路是：身份认证只需要判断两幅图像是否为同一用户的数据，为 二分类问题，为此，仅需计算两幅图像的一致性，并在此基础上设计分类器。本专利技术采用相 干算法估计两幅掌纹图像的一致性，然后采用降噪自动编码机提取数据的更深层特征，最 后应用real adaboost分类器确定测试的两幅图像是属于同类还是异类。 本专利技术方法实现简单、快速，没有采用常规的掌纹纹理特征匹配算法，而是采用相 干算法来计算图像间的一致性，并在此基础上判别他们是否为同一用户的数据样本，解决 了掌纹图像较小的平移问题及配准算法需要寻找定位信息的难题，具有较好的鲁棒性。应 用深度学习的降噪自动编码机提取特征和降维，使模型具有处理噪声的能力，进而得到更 高的准确率。【附图说明】 图1是本专利技术实现流程图。 图2是第100类掌纹-I、100类掌纹-Π和101类掌纹-I的3D掌纹图像。 图3是第100类掌纹_1、100类掌纹-Π和101类掌纹-I的3D掌纹图像的灰度图像。 图4是第100类掌纹-I和100类掌纹-Π的相干运算结果。图5是第100类掌纹-I和101类掌纹-I的相干运算结果。 图6是第100类掌纹-I和100类掌纹-Π、第100类掌纹-I和101类掌纹-I的部分相干 系数实例。 图7是第100类掌纹-I和第100类掌纹-Π的相干系数经降噪自动编码机提取到的 特征。 图8是第100类掌纹-I和第101类掌纹-I的相干系数经降噪自动编码机提取到的特 征。 图9是Real adaboost分类器的R0C曲线。【具体实施方式】下面按照图1所示的流程对本专利技术进行详细说明。 1)、数据预处理本实施例所采用的样本库来自于采用香港理工大学，样本库中的样本为4000张3D 掌纹图像(200人X2只手/人X 10张3D掌纹/只手），以每只手（即一个用户）的3D掌纹图像为 1类，则该样本库包含400类共400个用户的3D掌纹图像，如下：其中，X表示一个3D掌纹图像，其下标表示在同类样本中的排序，其上标表示样本 的类别排序。 另外，从上述每一个用户的10张3D掌纹图像中任选一幅，另外进行预存。 1.1)、通过计算曲率特征来实现3D图像平面化： 根据微分几何知识，设曲面S(即3D掌纹图像，如图2)的方程式表达式为X(u，v) = (U，v，f(U，v))。这里u为三维图像中连续横坐标，v为三维图像中连续纵坐标，f表示深度。 则该3D掌纹图像的均值曲率为：式中，Η表示连续的3D掌纹图像的均值曲率，f u，f v是f (u，v)的一阶偏导，f uv，f uu，fvv 是f(u，v)的二阶偏导。实际运算中将H离散化，得到一副离散的均值曲率图像C(i，j)，i，j* 别为离散图像中横坐标和纵坐标。 本步骤详细计算过程按照现有常规方法进行计算即可，也可参照文献Zhang D，Lu G, Li ff,et al.Palmprint Recognition Using 3-D Information.. IEEE Transactions on Systems Man&Cybernetics Part C,2009,39(5):505-519.〇 1.2)、对均值曲率图像C(i，j)进行归一化处理，得到归一化处理后的图像/): 是均值曲率图像C(i，j)的均值， 均值曲率图像C(i，j)的标准差，m，n分别为图像横坐标和纵坐标的最大值。 1.3)、然后将归一化处理后的图像Gaj)变换为灰度图像G(i，j)(如图3): 所得灰度图像G(i，j)的大小为。 2 )、抽取类内图像对和类间图像对，进行相干运算，生成新样本 2.1)、按如下规则抽取图像对： 类内图像对(本文档来自技高网...

【技术保护点】
一种3D掌纹认证方法，其特征是，包括以下步骤：1）、计算样本库中的每一张3D掌纹图像的均值曲率，获得均值曲率图像，然后对所获得的均值曲率图像进行归一化处理，再进行灰度化，得到灰度图像；所述样本库采集自300~500个不同的手掌，每个手掌采集图像数为10~20；另外，以每个手掌为一个用户，对样本库中的每一个用户的任意一张3D掌纹图像另外进行预存；2）、从所得灰度图像中抽取类内图像对和类间图像对，然后将抽取的类内图像对和类间图像对的所有灰度图像先进行一维变化，再采用幅值平方相干函数计算每个图像对的两个图像信号之间的相干系数并设置类标签,以所得带有标签的相干系数作为新样本；其中，类内图像对的两个图像信号的相干系数的类标签设置为类内，类间图像对的两个图像信号的相干系数的类标签设置为类间；类内图像对即来自同一手掌的两个图像信号，类间图像对即来自不同手掌的两个图像信号；3）、使用新样本对堆栈式降噪自动编码机进行训练，提取到新样本特征，形成新的样本集，并得到训练好的降噪自动编码机；4）、基于real adaboost算法和步骤3）提取到的新样本特征所形成的新的样本集训练若干弱分类器，这些弱分类器的组合构成强分类器；5）、认证：用户输入一幅新的3D掌纹图像，与预存的该用户的3D掌纹图像进行比对，判断它们属于同类还是异类，具体为：首先分别计算这两幅3D掌纹图像的均值曲率，获得均值曲率图像，然后进行归一化处理，再进行灰度化，得到两幅灰度图像；然后将所得灰度图像进行一维变化；采用幅值平方相干函数计算进行一维变化后的两幅灰度图像的图像信号的相干系数，然后以该相干系数作为输入，采用步骤3）所得训练好的降噪自动编码机提取特征，然后利用步骤4)训练好的强分类器对提取到的特征进行分类，完成对该用户输入的新的3D掌纹图像的认证。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘明，苗荣凡，刘秀玲，娄存广，王光磊，刘晓光，
申请(专利权)人：河北大学，
类型：发明
国别省市：河北;13