[发明专利]一种三维掌纹识别方法

摘要

本发明公开了一种三维掌纹识别方法。该方法仅采用三维掌纹的分块局部特征，即相位和曲面类型分块直方图，提出一种三维掌纹特征模型，在提高识别效果的同时避免使用二维掌纹图像，使得整个系统免受光线强度及抓痕影响。采用的三维掌纹局部特征对图像的微小平移、旋转甚至缩放有一定鲁棒性，因此不需要采用多次平移、最近迭代、互相关等方法进行图像对齐，提高了识别效率。在稀疏表示分类器中加入中间项，通过改善稀疏系数提出改进的稀疏表示分类器；稀疏系数可在三维掌纹分类之前计算，而且分类的过程中采用子空间方式比对图像，使得当训练库存在大量样本时，测试样本与训练样本不用一一比对，降低了数据冗余、运算量和处理时间。

主权项

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：fx和fy为一阶偏导，fxx、fxy和fyy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：fM(z)＝(f(z),Rx{f}(z),Ry{f}(z))＝(f,Rx*f,Ry*f)    (5)其中，f是单演信号的实值部分，Rx*f和Ry*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：flp(z)＝(flp(z),flp‑x(z),flp‑y(z))＝(flp(z),Rx*flp(z),Ry*flp(z))    (6)其中flp(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[‑εH,εH]、[‑εK,εK]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εH和εK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,...,xk,...,xN]，其中N是训练库的总类数，xk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rk(y)＝||y‑Aδk(α)||2，其中δk(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。