[发明专利]基于量子算法的掌纹数据库搜索方法

说明书

技术领域

本发明属于生物特征识别技术，尤其涉及一种基于量子算法的掌纹数据库搜索方法。

背景技术

生物识别技术在现代社会已经越来越重要，它主要包括指纹、人脸、虹膜、掌纹、签名、声音等人体特征的识别技术。掌纹作为一种生物特征，相比较其他生物特征具有很多优点，比如：可以使用低分辨率的图像，获取图像的装置价格低，掌纹图像很难伪造，掌纹图像的线路特征很稳定等。掌纹图像的识别主要包括掌纹的分割，归一化，并去除噪声，将掌纹图像二值化以后进行特征提取和匹配，识别过程可以用图1描述。

量子计算和量子信息是将量子力学理论和经典计算理论完美结合的产物，由于量子算法具有量子态的叠加性，相干性和纠缠性，使得它可以解决一些经典的NP问题，并且有很多传统算法没有的优点。目前为止，公认的最具代表性的量子算法有Shor的大数质因子分解算法以及Grover于1996年提出的数据库搜索量子算法。Grover算法可以从未分类的数据库中指数量级的加速查询某个特定元素的量子搜索算法。利用量子算法进行图像处理目前还处于发展阶段，研究表明将量子信息和量子计算应用到图像处理方面是可行的。

随着互联网和无线通信技术的发展，用于生物识别的数据库非常庞大。例如利用犯罪现场采集到的掌纹图像进行案件侦破的公安系统中，模板掌纹图像数据库是一个海量的数据库。将采集到的掌纹图像在此数据库中进行匹配时，如果按照经典的掌纹搜索步骤，搜索时间太长，甚至影响搜索精度，对于案件的侦破带来很大的难度。因此，找到一种可以加快掌纹搜索速度，提高掌纹搜索精度的方法成为目前亟待解决的问题。

发明内容

本发明的目的是一种可以克服经典掌纹搜索速率低和精度差等缺点的方法。

为实现上述目的，本发明采用以下技术方案，它包括如下步骤：

(1)采用量子自适应中值滤波算法对掌纹进行预处理。

(2)采用量子傅里叶变换对滤波处理后的掌纹图像进行特征提取。

(3)利用量子集合运算和量子Grover搜索算法对掌纹图像进行搜索。

在步骤(1)中，还包括：

(A1)将掌纹图像信号量子化。

(A2)将经典的自适应中值滤波窗口量子化。

(A3)对步骤(A1)中每一个量子化的掌纹像素点运用量子Hadamrd门操作，最终生成量子自适应中值滤波模板。

在步骤(2)中，还包括：

(B1)在进行特征提取之前，要对滤波处理后的掌纹图像进行二值化和像素翻转操作。

(B2)掌纹图像的维数决定建立的量子寄存器的个数。

(B3)经典的特征提取需要(MN)×(ρMN)次计算的操作，可以通过一次傅里叶变换操作完成，利用的是量子并行性计算原理。

在步骤(3)中，还包括：

(C1)如果待识别的掌纹图像提取出的特征向量个数N≠2ⁿ，就增加待识别掌纹的特征向量，最终使得N＝2ⁿ。同理，数据库中的一个掌纹图像的特征向量数量M≠2^m，就增加数据库中的掌纹图像的特征向量数量，最终使得M＝2^m。

相对于经典掌纹搜索技术，本发明具有以下优点：

1.本发明所述的掌纹搜索算法对整个掌纹搜索过程都应用了量子的相关算法，对经典搜索算法进行了整体性的改进，充分体现了量子算法的相对于经典算法的优势。

2.量子算法具有并行性计算特性，相对于经典计算方法，量子计算的计算速度可以呈指数倍的增加。将量子傅里叶变换应用到掌纹图像的特征提取中，可以极大的加快特征提取速度。将量子Grover算法应用到掌纹图像搜索中，可以从掌纹数据库中指数量级的加速查询到目标掌纹的位置。

3.本发明提出的量子自适应中值滤波技术，不仅可以较好的保留图像细节，而且可以有更强的滤波能力。

4.利用量子集合运算和量子Grover算法对目标掌纹图像进行搜索，不仅保证了搜索速度，而且搜索精度也得到了极大的提高。

附图说明

图1为掌纹识别流程图；

图2基于量子算法的掌纹数据库搜索方法原理图；

图3为掌纹数据库中的一幅掌纹图像；

图4为经过分割和归一化后的掌纹图像；

图5量子信号处理框架；

图6传统的自适应中值滤波算法效果图；

图7量子自适应中值滤波算法效果图；

具体实施方式