一种掌纹识别方法技术

本发明专利技术提供了一种掌纹识别方法，所述方法包括：提取ROI区域再进行提取特征，消除并矫正干扰后上传至数据库进行特征匹配，最终总结匹配的特征点数得出结论；本方法为了提高用户友好性并扩大掌纹识别的应用范围，实现了掌纹识别具有自由方便、不用接触即可验证身份、低错误匹配率以及高识别精度等优点。误匹配率以及高识别精度等优点。误匹配率以及高识别精度等优点。

【技术实现步骤摘要】
一种掌纹识别方法


[0001]本专利技术涉及掌纹识别技术，特别涉及一种非接触式分析掌纹以识别个人的方法，属于数字图像处理和生物特征识别


技术介绍

[0002]目前掌纹识别已经成为一种可以代替指纹识别、虹膜识别、语音识别的新生物识别技术；掌纹具有高度的独特性，坚固性和高度的用户友好性，可以在高分辨率掌纹图像中观察到掌纹不仅具有纹理、山脊、山谷、细节和方向特征等，通过识别分析掌纹图像中的主线，皱纹和纹理可以获取特殊特征，这些重要的掌纹特征被认为是不变的，并且对于受试者来说是唯一的；由于这些丰富的特点以及功能，掌纹识别已实现了非常低的错误匹配率和非常高的识别精度。

技术实现思路

[0003]针对现有技术中的不足，本专利技术的目的在于本专利技术提供了一种掌纹识别方法，所提出的方法为了提高用户友好性并扩大掌纹识别的应用范围，实现了掌纹识别具有自由方便、不用接触即可验证身份、低错误匹配率以及高识别精度等优点。
[0004]本专利技术针对的是一种提供了一种生物特征识别方法，特别是一种用于分析掌纹以识别个人身份的方法，所述方法可以包括：从个人获得皮肤表面区域的图像，在手的内表面的定义区域内获得皮肤表面的子图像，提取ROI区域，对掌纹图像基于手指之间的两个参考点进行定位，进行预处理以提取ROI，最终稳定的获得主线；如果两个掌纹图像从同一个手掌获取而得，则最终得出的主线应该是相似的，否则为不同的两个主线图像。
[0005]提取掌纹主线通常使用MFRAT方法，MFRAT方法通过沿图像中所有可能的纹理累积图像强度来强调线性特征，检测图像中的纹理。
[0006]使用低秩矩阵表示（LRR）是同时执行噪声校正和数据分割最有效的方案，并同时使用LRR与主线距离（LRRIPLD）集合在一起来实现掌纹识别，主线距离的目标函数定义为：。
[0007]其中X表示原始图像集，Z为掌纹图像集的表示系数矩阵，D（A，B）表示两个掌纹图像之间主线距离。
[0008]将提取的掌纹主线的数据上传到远程掌纹图像数据库中。
[0009]再将上传的数据与数据库源数据做特征匹配，掌纹信息进行匹配时都采用向量的形式进行，并且需要做方向以及位置的调整，调整后进行特征匹配，若掌纹特征点匹配的位置差距值和角度差距值小于设定相应的阈值
。
[0010]最后进行测试总结，若两个掌纹图像的特征点细节匹配点数越多，则越相似。
[0011]其中所述的提取掌纹主线的MFRAT方法，通常将MFRAT定义为某组线上的图像像素之和。MFRAT定义为：。
[0012]上述公式中G为高斯滤波器用来除噪声，I为掌纹的一个图像样本，*代表进行一次卷积运算，r[L
k
]此掌纹样本的卷积响应值。最终获得图像的方向图像D和能量图像E]此掌纹样本的卷积响应值。最终获得图像的方向图像D和能量图像E。
[0013]根据能量图像E，可以通过阈值获得图像，然后根据能量标准过滤掉小皱纹，从而提取出掌纹的主线。
[0014]其中所述的主线距离经过专门设计，以定量表示两个主线图像的相似性，并且它基本上是根据主线的重叠像素确定的。如A、B两个掌纹主线二进制图像，他们的主线距离为：。
[0015]最终看D（A，B）的值是否在0到1中,若D（A，B）越接近0，A和B之间越相似，相反则越不相似。
[0016]其中所述的特征匹配，掌纹信息进行匹配时都采用向量的形式进行，并且需要做方向以及位置的调整，调整后进行特征匹配，若掌纹特征点匹配的位置差距值和角度差距值小于设定相应的阈值值小于设定相应的阈值。
附图说明
[0017]图1示出了根据本专利技术示例实施例的掌纹识别的流程图。
具体实施方式
[0018]如图1所示，本专利技术实施例提供一种掌纹识别方法。
[0019]首先在步骤S101获取图像样本。
[0020]其次在步骤S102对掌纹图像基于手指之间的两个参考点进行定位，进行预处理以提取ROI，最终稳定的获得主线；如果两个掌纹图像从同一个手掌获取而得，则最终得出的
主线应该是相似的，否则为不同的两个主线图像；主线距离经过专门设计，以定量表示两个主线图像的相似性，并且它基本上是根据主线的重叠像素确定的；如A、B两个掌纹主线二进制图像，他们的主线距离为：最终看D（A，B）的值是否在0到1中,若D（A，B）越接近0，A和B之间越相似，相反则越不相似。
[0021]在步骤S103对掌纹的特征进行提取，对掌纹主线提取效果最好的是MFRAT方法，通过沿图像中所有可能的纹理累积图像强度来强调线性特征，从而可以检测图像中的纹理；通常将MFRAT定义为某组线上的图像像素之和；MFRAT定义为：。
[0022]上述公式中G为高斯滤波器用来除噪声，I为掌纹的一个图像样本，*代表进行一次卷积运算，r[L
k
]此掌纹样本的卷积响应值。最终获得图像的方向图像D和能量图像E]此掌纹样本的卷积响应值。最终获得图像的方向图像D和能量图像E根据能量图像E，可以通过阈值获得线图像，然后根据能量标准过滤掉小皱纹，从而提取出掌纹的主线。
[0023]使用低秩矩阵表示（LRR）是同时执行噪声校正和数据分割最有效的方案，并同时使用LRR与主线距离（LRRIPLD）集合在一起来实现掌纹识别，主线距离的目标函数定义为：其中X表示原始图像集，Z为掌纹图像集的表示系数矩阵，D（A，B）表示两个掌纹图像之间主线距离。
[0024]在步骤S104中，将步骤S103中提取的掌纹主线的数据上传到远程掌纹图像数据库中。
[0025]在步骤S105将步骤S104中上传的数据做特征匹配，掌纹信息进行匹配时都采用向量的形式进行，并且需要做方向以及位置的调整，调整后进行特征匹配。
[0026]在步骤S106进行掌纹特征点匹配的位置差距值的比较判断，若满足下式，则初步匹配成功，若失败则返回到S102中重新进行提取。
[0027]在步骤S107进行掌纹特征点匹配的角度差距值的比较判断，若满足下式，则匹配成功，若失败则返回到S102中重新进行提取。
[0028]在步骤S108进行测试总结，若两个掌纹图像的特征点细节匹配点数越多，则越相似。反之，则越不相似。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种掌纹识别方法，所述方法包括：提取ROI区域，对掌纹图像基于手指之间的两个参考点进行定位，进行预处理以提取ROI，最终稳定的获得主线；如果两个掌纹图像从同一个手掌获取而得，则最终得出的主线应该是相似的，否则为不同的两个主线图像；对掌纹的特征进行提取，对掌纹主线提取效果最好的是MFRAT方法，通过沿图像中所有可能的纹理累积图像强度来强调线性特征，从而可以检测图像中的纹理；通常将MFRAT定义为某组线上的图像像素之和；MFRAT定义为：上述公式中G为高斯滤波器用来除噪声，I为掌纹的一个图像样本，*代表进行一次卷积运算，r[L
k
]此掌纹样本的卷积响应值；最终获得图像的方向图像D和能量图像E]此掌纹样本的卷积响应值；最终获得图像的方向图像D和能量图像E根据能量图像E，可以通过阈值获得线图像，然后根据能量标准过滤掉小皱纹，从而提取出掌纹的主线；使用低秩矩阵表示（LRR）是同时执行噪声校正和数据分割最有效的方案，并同...

【专利技术属性】
技术研发人员：李晓坤，徐龙，刘清源，董潍赫，黄逸群，付文香，张心雨，陈伟良，赵瑞，
申请(专利权)人：李晓坤，
类型：发明
国别省市：