[发明专利]一种稳定特征图像下交叉梯度编码的掌纹识别方法

摘要

本发明属于身份识别技术领域，涉及一种稳定特征图像下交叉梯度编码的掌纹识别方法，先分别检测出掌纹图像中食指与中指、无名指与小指之间的角点，通过这两个角点形成的切线进行旋转矫正，分割出原始掌纹图像的感兴趣区域图像；再对感兴趣区域图像进行灰度归一化得到归一化后的掌纹图像后建立能量泛函模型并求解得到稳定特征图像，然后对稳定特征图像进行交叉梯度编码得到交叉梯度编码特征进行掌纹匹配识别；掌纹匹配结束后自动输出匹配结果；其识别方法简便，识别精度高，算法复杂度低，识别时间短，抗干扰性强。

主权项

1.一种稳定特征图像下交叉梯度编码的掌纹识别方法，其特征在于包括掌纹图像预处理、图像灰度归一化、稳定特征图像计算、交叉梯度编码、掌纹匹配识别和输出结果五个步骤，其具体识别过程为：（1）、掌纹图像预处理：通过现有公知技术中的角点检测算法分别检测出掌纹图像中食指和中指、无名指和小指之间的角点，通过这两个角点形成的切线进行旋转矫正，分割出掌纹图像中心128×128像素的区域，即为原始掌纹图像的感兴趣区域图像；（2）、图像灰度归一化：采用公知的最小-最大归一化法对感兴趣区域图像进行灰度归一化，将图像灰度约束到0-255之间，得到归一化后的掌纹图像；最小-最大归一化的定义如下：f'=255×(f-f_min)(f_max-f_min)   （1）其中，f_min表示图像中的最小灰度值，f_max表示图像中的最大灰度值，f表示原图像，f'表示归一化后得到的图像；（3）、稳定特征图像计算：对步骤（2）中得到的归一化后的掌纹图像建立能量泛函模型，通过变分法对能量泛函模型进行求解得到稳定特征图像，具体过程为：Y=I+N   （2）其中，Y表示归一化后的掌纹图像，I表示稳定特征图像，N表示含有的噪声和伪特征不稳定因素；先对公式（2）建立能量泛函模型，其定义如下：MinI{E(I)=∫Ω12(Y-I)2dxdy+λ∫Ω|▿I|dxdy}---(3)]]>再对式（3）求解，通过不断迭代得到能量泛函取得最小值时的I，即为稳定特征图像，为方便对泛函中的正则项求解和加快收敛速度，使用Split Bregman迭代引入局部矢量w和局部Bregman迭代参数b，k为迭代次数，如式（4）、（5)所示：bk+1=bk+▿Ik-ωk,b0=ω0=0,k=0,1,2,······(4)]]>(Ik+1,ωk+1)=ArgMinI,ω{E(I,ω)=12∫Ω(Y-I)2dxdy+λ∫Ω|ω|dxdy+θ2∫Ω(ω-▿I-bk+1)2dxdy}---(5)]]>对式（5）求解得关于I的Euler-Lagrauge方程和ω^k+1的广义软阈值公式，如式（6）、（7）所示：Y-I-1θ▿·(▿I-ωk+bk+1)=0---(6)]]>ωk+1=Max(|▿Ik+1+bk+1|-λθ,0)▿Ik+1-bk+1|▿Ik+1-bk+1|---(7)]]>通过交替优化I和w得到能量泛函收敛时的稳定特征图像I，能量泛函的收敛条件用式（8）来判定，其中ξ为收敛判定参数：|E(I^k+1)-E(I^k)|/E(I^k)<ξ   （8）（4）、交叉梯度编码：对步骤（3）得到的稳定特征图像I进行交叉梯度编码，得到交叉梯度编码特征CGCF=(F_U,F_D,F_L,F_R)，其定义如下：I_Local-L=I(i-1,j-1)-I(i+1,j+1)   （9）I_Local-R=I(i-1,j+1)-I(i+1,j-1)   （10）I(i,j)=0(FR),ILocal-L>0&ILocal-R>01(FD),ILocal-L>0&ILocal-R<02(FU),ILocal-L<0&ILocal-R<03(FL),ILocal-L<0&ILocal-R>0---(11)]]>其中，I_Local-L表示局部左对角线差分，I_Local-R表示局部右对角线差分，I(i,j)表示局部中心点的编码值；这样I为由四种类型的值组成的矩阵并对其进行分块统计，最终得到所需的特征向量CGCF；（5）、掌纹匹配识别：对两幅掌纹图像分别进行步骤（1）、（2）、（3）、（4）得到其各自的特征向量CGCF1和CGCF2，使用归一化相关性分类器计算两特征向量之间的相关性，其定义如下：NCC=|Σl=1n(CGCF1-μ1)(CGCF2-μ2)|/(n×σ1×σ2)---(12)]]>其中，μ₁和μ₂分别表示特征向量CGCF1和CGCF2的均值，σ₁和σ₂分别表示特征向量的CGCF1和CGCF2的标准差，n表示特征向量的长度，l表示向量中对应的元素位置，NCC的取值范围为0-1，越接近1则说明向量之间的相关性越高；（6）、输出结果：掌纹匹配结束后自动输出匹配结果，掌纹识别结束。