[发明专利]一种三维掌纹识别方法

权利要求书

1.一种三维掌纹识别方法，其特征在于该方法包括以下步骤：

第一步，训练阶段：

(1)曲面相位信息提取：

设三维掌纹曲面为f(x,y)，首先计算其平均曲率H和高斯曲率K：

式中：f_x和f_y为一阶偏导，f_xx、f_xy和f_yy为二阶偏导；

将平均曲率H转化为平均曲率图像首先根据平均曲率H的标准差δ和均值μ将平均曲率归一化到区间[0,1]：

然后通过下式将其转化为平均曲率图像

得到平均曲率图像之后，将其作为普通图像f(z)(z＝(x,y)∈R²)计算单演信号：

f_M(z)＝(f(z),R_x{f}(z),R_y{f}(z))＝(f,R_x*f,R_y*f) (5)

其中，f是单演信号的实值部分，R_x*f和R_y*f分别是x轴和y轴的Riesz变换；在Riesz变换应用之前采用泊松拉普拉斯滤波器P(ω)＝-4π²|ω|²exp(-2π|ω|λ),ω∈R²对普通图像f(z)进行带通滤波，那么，泊松拉普拉斯带通型单演信号可以表述为：

f_lp(z)＝(f_lp(z),f_lp-x(z),f_lp-y(z))＝(f_lp(z),R_x*f_lp(z),R_y*f_lp(z)) (6)

其中f_lp(z)＝f(z)*F^-1(P(ω))，F^-1为二维傅里叶逆变换；得到单演信号的局部相位；

(2)曲面类型信息提取：

首先通过式(1)和式(2)得到平均曲率H和高斯曲率K，确定三维掌纹ROI每一点对应的ST，还需确定H和K是不是零值；这就需要通过两个对称区间[-ε_H,ε_H]、[-ε_K,ε_K]将H和K量化，使得H和K只取零值；首先通过下式将H和K归一化：

其中C(i,j)代表平均曲率H或高斯曲率K，δ是对应的标准差；通过计算，在零值附近选择ε_H和ε_K的取值，使得

根据三维掌纹ROI中每点的平均曲率值和高斯曲率值，确定该点所属的ST，即得到了三维掌纹的曲面类型信息；

(3)分块直方图计算：

首先将三维掌纹ROI的相位图分块，计算其中每个小块的直方图，然后合并形成整个相位图的分块直方图；对三维掌纹ROI的曲面类型图进行同样的操作，得到整个曲面类型图的分块直方图；

(4)将步骤(3)得到相位分块直方图和曲面类型分块直方图进行连接，形成三维掌纹特征向量x；

(5)采用第一步的步骤(1)-(4)对训练库中所有训练样本进行计算，形成训练库样本特征集A；

第二步，测试阶段：

(1)利用第一步的步骤(1)-(4)，得到测试样本的三维掌纹特征向量y；

(2)利用提出的改进稀疏表示分类器给出测试样本的类标号，即类别：

首先，计算稀疏系数α；假设每个训练样本计算一个特征向量x，接合起来构成训练库样本特征集A＝[x₁,x₂,...,x_k,...,x_N]，其中N是训练库的总类数，x_k为第k类的样本矩阵；给定一个测试样本，其特征向量y可表示为一个训练库特征向量的线性组合：y＝Aα₀；这样，在现有的基于l₂范数正则项的稀疏表示分类器中测试样本的稀疏系数表示为：

其中λ₂为常数；测试样本与训练样本相似的程度在于α₀的优化程度，因此，通过改善α₀的取值来改进稀疏表示分类器；在基于l₂范数正则项的稀疏表示分类器基础上，添加了一个中间项改善α₀，即

改善的稀疏表示分类器稀疏系数表示为α＝ηα₀+γα″₀；通过此式计算测试样本的稀疏系数；

然后，计算残差r_k(y)＝||y-Aδ_k(α)||₂，其中δ_k(α)是与k类相对应的α非零值；取以此得到的N个残差的最小值，对应的类标号则为

最后得到N个残差的最小值对应的类标号，即测试样本的所属类别；

(3)对测试库中所有测试样本进行第二步的步骤(1)-(2)的操作，得到所有测试样本的类标号。