毕业设计（论文）-基于时频分析的掌纹图像自动识别方法

《毕业设计（论文）-基于时频分析的掌纹图像自动识别方法》由会员分享，可在线阅读，更多相关《毕业设计（论文）-基于时频分析的掌纹图像自动识别方法（76页珍藏版）》请在装配图网上搜索。

1、本科毕业设计（论文）题目: 基于时频分析的掌纹图像自动识别方法 院（系） 电子信息工程学院 专 业 生物医学工程 班 级 110420 姓 名 马凯伦 学 号 110420109 导 师 孟祥艳 2015年 6 月本科毕业设计（论文）题目: 基于时频分析的掌纹图像自动识别方法 院（系） 电子信息工程学院 专 业 生物医学工程 班 级 110420 姓 名 学 号 导 师 2015年 6 月西安工业大学毕业设计（论文）基于时频分析的掌纹图像自动识别方法摘 要 生物特征识别技术在身份鉴定上具有非常重要的应用价值，掌纹识别技术是生物特征识别技术的一种，具有生物特征识别技术所特有的稳定性、唯一性和方便

2、性。再加上掌纹易于获取，包含信息量大，主特征明显、具有可分性等特点，使得掌纹识别方法成为一种很有发展潜力的身份识别方法，越来越得到国内外有关专家和学者的重视和研究。目前己研发出自动掌纹识别系统，其具有直接、友好、方便、良好的唯一性和应用范围广的优点。但掌纹识别技术起步较晚，其研究与应用还不是很完善，仍有许多理论问题和算法实现技术有待于进一步探索和研究。 本文的主要研究工作如下： 1. 对掌纹图像的预处理进行了研究。掌纹图像的预处理包括几何预处理和灰度预处理，几何预处理的目的在于从采集得到的原始手掌图像中，提取对分类识别有利的掌纹区域，本文提出一种简单易行的方法，能够准确的分割出对掌纹识别有意义

3、的掌纹区域；灰度预处理的目的在于将图像的灰度值进行变换，从而获取更有利于特征提取的图像，本文对比了中值滤波法、均值滤波法和高斯滤波法三种方法，通过对处理结果的分析，选择高斯高通滤波法为掌纹图像灰度预处理的方法； 2. 对三种典型掌纹特征提取方法进行研究，其中的离散二维傅立叶变换和变换空间判别信息K-L变换方法是针对掌纹图像的频域特征进行提取作比对的，局部二进制模式则利用了图像的空域特征。这些变换得到的掌纹图像特征数据量太大，而且过于细致，于是在上述方法的基础上，进一步计算其能量特征，这样既降低了特征的维数，又保留了掌纹的内在特征。实验测得识别率最高的为局部二进制模式方法，识别率可达到88.6%

4、； 本文研究了掌纹图像的特征提取方法。实验结果表明了本文所提出方法的有效性。关键词：掌纹识别，特征提取，特征选择II西安工业大学毕业设计（论文）Automatic palmprint image recognition method based on time-frequency analysisABSTRACT Biological feature identification technology has very important applicationsAs apersonal identification technology，palmprint recognition has t

5、he features of stability，uniqueness and conveniencePlus the easy access to palmprint，palmprint containslarge amount of information,its major feature is apparent and divisibilityAll of thesemake the palmprint recognition to be a very potential identification methodMore andmore domestic and foreign ex

6、perts focus on it，and now automated palmprintrecognition system has been developed for usingIt has the advantages of directness，convenience，good uniqueness and wide applicationBut as the late start，palmprintrecognitionS research is not perfect，there are still many theoretical and algorithmtechnology

7、 need to be further explored and researched 1. The preprocess methods of palmprints were researched. It includes the geometry preprocessing and the gray preprocessing. The purpose of the geometry preprocessing is to extract the palmprint region that has the most valuable classification features from

8、 initial palmprint images, and in this paper, a new convenient method was proposed, and it could cut the initial images correctly; the purpose of gray preprocessing is to change the gray value of the image, and then obtain the new image which has a higher ability to extract features, and median filt

9、er, mean filter and Gauss filter methods were compared in this paper, and through analysis of the preprocessed image, the gauss high-pass filtering was chose to be the gray preprocessing method of the palmprint images. 2. Three typical palmprint feature extraction methods were researched, and the Tw

10、o-Dimension Discrete Fourier Transform, Transform space discriminant information K-L transform method used to extract and contrast the frequency features of the palmprint, while the Local Binary Pattern uses the airspace features. The methods mentioned above can obtain a large number of feature quan

11、tities, and the features are too meticulous, so based on them, energy features were calculated, this step can decline the dimensions of features, and at the same time, the inner features of palmprint were reserved. Experimental results show that the extraction method that has the highest rate is Dis

12、crete Wavelet Transform, and it could obtain the recognition rate of 88.6%. The feature extraction methods of palmprint were researched in this paper. experimental results show the effect of this method. KEY WORDS: Palmprint recognition, Feature extraction, Feature chooseVI西安工业大学毕业设计（论文）目录中文摘要I英文摘要I

13、I1绪论11.1 题目背景与意义11.1.1研究的背景11.1.2 研究的意义21.2 国内外研究现状21.3 拟采用的研究方案、研究方法31.4 课题研究内容32掌纹图像采集与预处理42.1、掌纹图像的采集42.2、掌纹图像预处理62.2.1 几何预处理62.2.2 灰度预处理83基于频域的掌纹特征的提取方法研究113.1 基于2D-DFT 的特征提取113.1.1 2D-DFT 变换原理113.1.2 2-D DFT 频谱图123.1.3 实验结果及分析133.2 原空间判别信息K-L变换的思想方法143.2.1 K-L变换简介143.2.2变换空间判别信息K-L变换方法163.2.3 原

14、空间判别信息K-L变换的特征提取方法174基于空域的掌纹特征提取方法研究194.1 局部二进制模式（LBP） 原理194.2 局部二进制模式（LBP） 值图204.3 实验结果及分析205结论235.1 课题总结235.2 工作展望23参考文献24致谢27毕业设计（论文）知识产权声明28毕业设计（论文）独创性声明28附录301 绪论1 绪论1.1 题目背景与意义1.1.1研究的背景 生物认证技术是指通过计算机利用人体所固有的生理特征或者行为特征来进行身份鉴定的过程 这些特征难于复制难于窃取，容易使用，故比传统的口令或密码等认证方式具有更高的安全性和可靠度。掌纹识别是利用人的掌部纹理作为生物特征

15、进行身份的自动确认，是生物认证领域的又一新兴技术。事实上，个人身份验证已经应用到人们的现实生活当中。传统的基于标识物的身份认证（如钥匙、证件、智能卡）和基于特定知识的身份认证（如用户名、网络账户密码、暗语等）存在安全性差、不方便、可靠性低、容易复制或者丢失等缺点，已经不能够满足当代信息安全可靠性的要求。因此，寻找更为有效、安全、准确的身份鉴别方法显得尤为迫切。 为了克服传统身份特征识别技术的缺陷，人们把进行身份识别的方法转向人体本身所特有的生物特征，即生物特征识别技术1。通过国内外众多团队和研究机构的探索研究，发现生物特征识别技术具有高的安全性、可靠性、普遍性和方便携带等优点，随着计算机网络的

16、发展以及公众对公共安全和自身信息安全需求的提高，生物特征识别技术在全球范围内正逐步形成一个庞大的应用市场。根据国际生物特征识别组织(International Biometric Group)2009-2014年全球生物特征识别工业及市场预测报告2显示，如下图1.1所示 图表1.1 全球生物特征识别行业年收益 全球生物特征识别技术产品市场份额由2009年的32.332亿美元达到2014年93.689亿美元通过这个图表可以看出，这项技术所含有的巨大市场潜力。生物特征识别技术的研究在未来将会占据更有利的空间。 68西安工业大学毕业设计（论文）1.1.2 研究的意义 掌纹识别是近些年来较受关注的一种

17、生物特征识别技术,它是利用手掌上的丰富的纹理信息来区分来自不同个体的手掌,从而达到身份识别的目的。掌纹识别相对于其他的生物特征识别技术,掌纹识别具有许多独特的优点。与指纹识别相比,掌纹区域更大并且包含的纹理信息更为丰富,通过低分辨率的采集设备就能够完成高性能的识别系统的构造;与人脸识别相比,掌纹特征更加稳定可靠,与人体的表情、姿态、情绪等因素无关;与虹膜识别相比,掌纹采集设备的成本较低;与视网膜识别相比,掌纹的采集不会对人体造成伤害,采集方式更容易让用户接受;与手写签名和步态识别相比,掌纹不易被伪造。掌纹以其（1）终生不变性和唯一性； （2）定位的旋转不变性和唯一性；(3)细节特征和线特征具有

18、唯一性和稳定性；（4）主要特征比指纹明显,识别速度比指纹高得多；(5)不易仿造；(6)采集设备成本较低等优点近几年倍受关注。因此,掌纹识别能够在众多的生物特征识别方法中脱颖而出,具有更加广泛的应用前景。1.2 国内外研究现状 目前,基于掌纹的身份识别技术己经得到国内外有关研究与应用部门的广泛关注,在算法和应用方面已经取得了很大的进展。基于时频分析的特征提取将原始空域掌纹图像变换到频域,在频域内定义并计算若干特征变量,作为特征提取的步骤,也被称为谱分析法(SpectralApproach)。2002年,Li W X等3用傅立叶变换(Fourier Transform,FT)将掌纹图像从空域变换到

19、频域,然后在频域中提取能反映空域中掌纹线强度的R特征和反映掌纹线方向的Theta特征,并用这两种特征实现了联机掌纹鉴别。2003年,Zhang D等4用单方向2DGabor滤波器对掌纹图像进行滤波处理,然后提取滤波后图像的相位信息形成二值掌纹特征码(PalmCode),最后使用海明距离(Hamming distance)来衡量不同掌纹特征码之间的相似度。这种特征很好的刻画了掌纹图像的特征,具有较强的区分能力,但该方法仅使用一个方向的滤波器,损失了掌纹的方向信息。2007年,黄申等5利用适应人感官系统的多通道釆样式Gabor滤波器进行滤波,根据掌纹纹理和方向特性动态选取Gabor滤波器参数的方法

20、来设计滤波器。在滤波过程中,从不同分辨率入手,利用不同方向和宽度的滤波器分别对掌纹的主线、褶皱、嵴线进行提取,在极坐标系下用改进的环行方向投影算法计算块能量,并且进行编码。经过模糊C均值聚类方法进行识别。2010年,Zhang D等6提出在线多频谱掌纹识别的概念,设计了一个具有红、绿、蓝和近红外4种光源的采集设备获取掌纹图像,并利用Gabor滤波器提取掌纹特征从而进一步使用分数层融合策略进行融合,提高了系统的识别率和抗仿冒能力。 1.3 拟采用的研究方案、研究方法掌纹身份识别与虹膜识别、指纹识别一样,同属于模式识别的范畴,但是由于掌纹图像种类多、结构相近、掌纹差异小、对比度低、有噪声等,因而也

21、是一种比较复杂的模式识别问题。它们同一般的模式识别在结构上是一样的,也是由两部分构成,分别为注册样本录入阶段和测试样本分类阶段,掌纹是指分布在手腕至手指之间手掌内表面上的各类纹线，主要分为乳突纹、皱纹和屈肌线三大类。基于掌纹的身份识别就是依靠对这三类纹线特征进行提取和比对来实现的。识别过程通常包括采集、预处理、特征提取以及注册与识别这四部分。具体流程如下图1.2所示：采集注册样本掌纹特征库特征提取预处理 掌纹数据库的创建 特征库的检索分类决策特征匹配特征提取预处理采集测试样本图1.2 掌纹识别系统流程图1.4 课题研究内容 本课题就人体的掌纹信息，利用特征融合技术，实现了对掌纹图像的分类识别。

22、特征融合方法通过将不同特征进行有机结合，达到对不同数据的最有效利用，该算法突破单一特征提取方法的瓶颈，使得识别率有较大幅度提高。本文使用MATLAB 件对算法进行编译，并得出实验结果。 本文就掌纹的识别过程开展如下研究工作： 1. 对掌纹图像的预处理进行研究； 重点分析了图像采集及预处理两个环节。提出了一种新的更为简单有效的几何预处理方法，并对比实验了四类灰度预处理方法。通过对图像的处理结果进行分析，并结合掌纹自身的特点，最终得到最适宜掌纹图像的灰度预处理方法。 2. 对三种典型掌纹特征提取方法进行研究； 离散傅立叶变换、原空间判别信息K-L变换的特征提取方法和局部二进制模式。通过对每种方法的

23、数据进行研究，最终得到各自的最优处理数据，并比较得出了识别率最高的识别方法。2 掌纹图像采集与预处理2 掌纹图像采集与预处理2.1 掌纹图像的采集2.1.1 墨迹采集 采集墨迹掌纹时，首先需要将手掌内表面涂满墨水，然后按压在纸上。这种方法能够得到纹线清晰的图像，但是使用过程很不方便，用户可接受度极低。下图2.1为墨迹采集得到的掌纹图像： 图2.1 墨迹采集的掌纹2.1.2 扫描仪采集 使用扫描仪采集掌纹的时候，需要将手掌放在扫描仪的玻璃平面上，然后通过扫描获取手掌图像。这种方法获取图像的速度较慢，而且由于手掌对玻璃平面的按压，极易造成表面肌肉的变形，获取的掌纹图像有不同程度的失真，进而影响识别

24、结果； 图2.2 扫描仪采集的掌纹 以上两种方法均为接触式采集，得到的掌纹容易带有形变。而且在使用计算机分析的时候，需要再将图像输入，时间较长且过程极为不便。西安工业大学毕业设计（论文）2.1.3 基于CCD 的掌纹图像采集 使用该设备采集图像的时候，只需要将手放置于采集仪的平台表面，与电脑联机的CCD 采集系统将执行采集程序，这样就可以得到掌纹图像了。这是一种非接触式的采集方法，虽然其纹线效果较墨迹要浅化一些，但是该方法速度快、清晰度高并且可操作性强，因此在实际应用中其使用范围更加的广泛。 香港理工大学自主研发了一套基于CCD 的掌纹图像采集设备，并用此设备建立了一套可共享的掌纹库(Poly

25、u_PalmprintDB) ，该掌纹库主要供非盈利的研究机构使用，而该掌纹库的规模还在逐步扩大中。本文实验所选用的掌纹图像均来自该掌纹库。Polyu_PalmprintDB 中的掌纹图像都是由下图2.3所示的采集设备采集得到的：图2.3 掌纹采集设备 为了保证每次采集的手掌不会有较大幅度的平移或旋转，该仪器在放置手掌的平台表面设计了六个小柱子。而对于手掌受到按压容易产生形变这一问题，将设备的中央区域设为镂空，如下图2.4所示：图2.4 采集平台西安工业大学毕业设计（论文） 由上述设备采集得到的均为384284 大小的BMP 格式灰度图像，其分辨率为75dpi。采集结果如下图2.5所示：图2.

26、5 Polyu_PalmprintDB中的样本2.2 掌纹图像预处理 掌纹图像的预处理包括几何预处理和灰度预处理两类。几何预处理的目的是分割出掌纹的感兴趣区域(ROI，Region Of Interest)，这是因为掌纹库中的图像除了手掌内表面，还包括手指根部以及手掌的外轮廓，而这些均不属于掌纹信息范围，因此需要对图像先进行适量裁剪，将最能体现图像掌纹特征的区域剪切出来；而灰度预处理的目的则是对图像质量进行提升，为之后的特征提取做准备。2.2.1 几何预处理 由于每个人的手掌大小不同，而且原始掌纹图像还包括了手指和背景，为了得到图像的ROI 区域，首先需要对图像进行定位。基于直线拟合方法进行掌

27、纹预处理的步骤如下： Step1: 对原始掌纹图像(图2.6(a)使用巴特沃斯低通滤波器进行平滑处理，消除细小噪声的干扰，并选择合适的阈值把掌纹从背景中分割出来，将原始的灰度图像转换成二值图像(图2.6(b)； Step2: 使用轮廓跟踪算法提取掌纹图像的边界，获取孔洞的边缘 （i=1,2）；Step3: 计算两个孔洞的切线。和分别表示和上的任意点。如果经过这两点的线 y =(mx+c)对于所有的i,j满足不等式 则可认为线 y =(mx+c)是两个孔洞的切线(图2.6(c）)； 西安工业大学毕业设计（论文）Step4: 将连接点 和的线AC作为y轴，把连接这两点之间线段的中点做坐标系的原点o

28、，过点o垂直于AC的线作为x轴，建立掌纹坐标系统(图2.6(d)； Step5: 根据建立的坐标系，在掌纹图像的中心区域确定四个点，截取固定大小的矩形区域(128128)表示掌纹图像用以提取掌纹特征(图2.6(d)(f)。 经过预处理，提取了大小一致的掌纹子图即掌纹ROI区域，经过定位提取的ROI基本消除了掌纹的平移和旋转的影响，并且ROI中包含丰富的掌纹特征，这个过程能够减少特征匹配的难度，增加系统的鲁棒性。 （a） (b)yx（x1，y1）o（x2，y2） (c) (d) (e） (f)图2.6 几何预处理图像（a-f）西安工业大学毕业设计（论文） 本文提出的ROI 区域分割方法，是基于采

29、集平台的小柱子已经减小了掌纹的偏移和旋转的情况，结合了挡板的定位作用，最终实现了分割区域的确定。本方法更好的结合了掌纹库的图像特征，并且也避免了利用主线来定位的潜在不便，算法中减少了图像旋转的过程，比其他方法更简单易实现，剪切后的掌纹图像达到ROI 区域的要求，能够有利于掌纹特征的提取。剪切后掌纹如图2.7： （a） （b） （c）图2.7 提取ROI区域图像（a）（b）（c） 以上三张图像都是经过包括几何处理和灰度处理的最终预处理图像，128128的ROI区域图像，图（a）（b）为同一样本的掌纹提取的图像，图（c）为另一不同样本的掌纹处理图像。2.2.2 灰度预处理 由于图像在采集的过程中，

30、容易受到采集设备、采集场所等环境因素的影响，图像中可能掺杂有噪声，不利于掌纹的分类识别。为了提升图像质量，使之更适合于掌纹识别，在预处理阶段还需要对剪切后的图像进行处理。选择了三种图像处理的方法进行比较：中值滤波、均值滤波和高斯滤波法。1.中值滤波 中值滤波是基于排序统计理论的非线性平滑滤波，其原理为：取一个邻域，将其灰度值数据按大小排列，然后将排在中间的数值作为邻域中心像素点的新值，该方法能有效去除图像中的噪声点。下图以一个3 乘3 的邻域为例，演示了中值滤波的计算过程：西安工业大学毕业设计（论文）下图为掌纹原图像与经中值滤波后得到的图像： (a)原图像 (b)滤波后图像 图2.8 原图像(

31、a)与经中值滤波后得到的图像(b)2.均值滤波取一个邻域将所有像素点的灰度值相加求平均，然后把得到的数值作为邻域中心像素点的新值，该方法综合考虑了临域内的像素灰度值，是一种有效去除噪声的方法。下图以33 的邻域为例演示了其计算过程:下图为掌纹图像经均值滤波后得到的图像： （a）原图像 （b）滤波后图像 图2.9 原图像（a）与经均值滤波后得到的图像（b）3.高斯滤波 高斯滤波方法主要有两种：高斯高通滤波和高斯低通滤波。高斯高通滤波的主要作用是保留变化较大的信息，锐化图像。实验选用的高斯高通滤波函数为：西安工业大学毕业设计（论文）0 -1 0；-1 5 -1；0 -1 0。高斯低通的主要作用是滤

32、除突变点等噪音信号，获得平滑图像。滤波后的图像效果为： （a）原图像 （b）滤波后图像 图2.10 原图像（a）与经中值滤波后得到的图像（b） 从以上三组实验的效果来看，中值滤波和均值滤波都是平滑图像的预处理方法，从效果图中也可以看出，经过滤波的图像纹线特征变模糊，没有起到突出特征的作用。而高斯低通滤波器则使图像更为平滑，纹线信息的明显度有所下降，没有突出掌纹图像的纹线细节特点。对图像进行高斯高通滤波，有效地提高了纹线的清晰度，突出了纹线的细节特征，符合掌纹图像的预处理要求。综上所述，本文选定高斯高通滤波器作为掌纹图像的预处理方法。 图像预处理在模式识别具有重要意义，这个阶段对识别结果产生关键

33、性的影响。掌纹图像采集时，装置或者是采集者手掌摆放的方式等因素会造成图像的旋转、平移，从而使采集到的掌纹图像可能包含掌纹数据、背景以及一定的噪声等。每个人的手掌尺寸不同，获取的掌纹图像大小也必然存在差异。图像预处理能够实现减少图像的噪声，图像归一化，消除图像的旋转、平移的影响，为特征提取提供方便，保证识别系统的准确性和有效性。 3 基于频域的掌纹特征提取方法研究3 基于频域的掌纹特征提取方法研究 掌纹是指手指末端到手腕部分的手掌图像,其中包括了如主线、皱褶、细小的纹理、脊末梢、三角点等特征,如图所示。掌纹特征识别算法的研究就是利用掌纹这些丰富的特征来进行身份识别。 掌纹与其他图像不同，具有自己

34、的特点：纹线特征主要体现在细节方面。因此，在对掌纹图像提取特征的时候，需要考虑对细节特征提取具有优势的算法。由于频域特征能够很好的体现图像内部的变化，本章选择了两种频域特征的提取方法：二维离散傅立叶变换(Two-Dimension Discrete Fourier Transform )，原空间判别信息K-L变换的方法；以及一种空域特征的提取方法：局部二进制模式(Local Binary Pattern, LBP)来提取掌纹图像特征。这些方法均与图像像素值的邻域变化程度有关，适合用在掌纹的特征提取方面。由于转换后的数据量太大，因此，本章在研究不同特征提取方法的同时，也研究了不同的分块统计特征对

35、掌纹图像的表达能力。3.1 基于2D-DFT 的特征提取 傅立叶于 1807 年提出了傅立叶级数的概念，即周期信号可以用复正弦信号合成。而后，又提出了傅立叶变换的概念，傅立叶变换是数字图像处理技术的基础，通过在时空域和频率域之间的变换，实现对图像信息的提取和分析，在图像变换、图像分割、图像编码与压缩以及图像重建等领域应用广泛16。 傅立叶变换分为连续傅立叶变换和离散傅立叶变换两类。连续傅立叶变换一般用来处理连续函数，而离散傅立叶变换一般用来处理离散函数。由于数字信号是一维离散数据，在对其进行傅立叶变换时就需要用一维离散傅立叶变换；而数字图像却是二维离散数据，因此常常用二维离散傅立叶变换来处理图

36、像。因为图像的边缘以及噪音对应着傅立叶变换的高频成分，所以，通过对频谱中心的高频进行适当抑制能够去除噪声以及减少边缘信息。而对于掌纹图像，傅立叶变换的频谱数据也可以作为特征来提取。Li Wenxin 和Zhang David17利用傅立叶变换提取掌纹图像的特征；杨丽娟、张白桦和叶旭桢18利用傅立叶反变换还原远程高空卫星图片，得到了理想的效果；在掌纹识别方面，徐凤、何玉琳和章海军19利用掌纹图像的离散傅立叶变换统计出频域图像的能量分布模式，实现了掌纹图像的匹配。3.1.1 2D-DFT 变换原理 下面要通过一维离散傅立叶变换原理，来推导出二维离散傅立叶变换原理。对于一个连续的函数 f (x)，以

37、x为间隔进行均匀采样，可以得到一个离散的序列 f (x0)，f (x0+x)，f x0+（N-1）x，N 为取样点个数。该序列可以表示为：西安工业大学毕业设计（论文）f x0+（N-1）x被抽取函数的离散傅立叶变换定义为： （3.1）式中， u =0，1，2，N-1。反变换为： （3.2）式中， x =0，1，2，N-1。 在式中， u =0，1，2，N-1 对应的抽样值分别为 0， u ，2u，(N 1)u处的傅立叶变换抽样值，即F(u)其实表示的是F(uu)。在二维的情况下，离散的傅立叶变换对表示为: （3.3）式中， u =0，1，2，M-1； v =0，1，2，N-1。 （3.4）式中

38、， x =0，1，2，M-1； y =0，1，2，N-1。 对二维连续函数的抽样是在 x 轴和 y 轴上以x和y等间距划分出若干个网格点。与一维的情况相同，离散函数 f (x, y)表示函数在x + xx 0 ， y + yy 0 点的抽样，对F(u,v)也是类似的解释。频率域与空间域的抽样间距关系为： u =1/(Mx) (3.5) v =1/(Ny) (3.6） 由于对一幅图像进行傅立叶变换的运算量较大，一般都不会直接利用公式来计算，而选用计算量较少而且运行速度很快的快速傅立叶变换(FFT)算法。3.1.2 2-D DFT 频谱图 在对图像进行二维离散傅立叶变换的时候，需要先转换数据类型，

39、然后进行快速傅立叶变换，最后将变换后的数据实值化，并将图像的中心移到零点，其实验效果图（3-1）如下：西安工业大学毕业设计（论文） (a)掌纹图像 (b) 2-D FFT 频谱 (c)掌纹图像 (d) 2-D FFT 频谱图3.1 掌纹图像及其频谱图 从图中可以看出，数字图像的二维离散傅立叶变换所得结果中的低频成分分布在图像四个角周围，中央部分对应高频成分；不同图像的傅立叶频谱数据不同，具有一定的可区分性。3.1.3 实验结果及分析 由离散傅立叶变换的共轭对称性可知，二维离散傅立叶频谱图的数据是对称的，因此，实验时选取图像的上半部分进行计算，保证了数据的完整性。在对特征数据进行选择时，为了适量

40、减少特征数据的维数，需要将统计特征作为研究的对象进行测试。在对特征数据进行分析后发现，经过快速傅立叶变化后的频率数据，大部分为有效数字起始于小数点以后第2 位的正数。因此，实验选定区域像素值的和作为其统计特征。 测试时，从经过预处理的掌纹图像中随机挑选了分别为来自100 个手掌，每个手掌取6幅，共600幅掌纹图像作为实验对象。每类6幅图像中，选择3幅用来注册，3幅用来测试，当图像分割块数(设为M)分别取：50，100，170，510，1020，1530，2550，7650 和15300 时，实验所得数据如下：西安工业大学毕业设计（论文）图3.2掌纹图像统计数据 从以上数据，可以得到这样的结论：

41、 1. 对图像的傅立叶变换频谱特征加以统计，其统计数据测试得到的识别率，随着分割块数的增加而增加，但是当分割块数达到100 时，识别率开始轻微上下浮动，然后逐渐降低。这主要是因为：分割过细容易受到细节噪声信号的干扰，对掌纹图像的识别率产生过多的影响； 2. 对二维离散傅立叶变换的频谱数据提取求和的统计特征，利用该数据能够得到的最高识别率为82%，远远高于非统计的傅立叶变换识别率。3.2 原空间判别信息K-L变换的思想方法 在模式识别和图像处理领域中，K-L 变换是一种比较流行且非常有效的特征提取方法，被广泛应用于人脸等图像识别领域 20-22中，本章所述的原空间判别信息 K-L 变换的特征提取

42、方法就是基于 K-L 变换的理论进行扩展后得到的。另外，Fisher 线性判别式(Fisher Linear Discriminant),简称 (FLD) 23-25作为一种线性分类方法，在模式识别领域也有着广泛的应用，而且同本章所提的算法有很大的联系。下面概要论述 K-L变换的基本思想和方法。 3.2.1 K-L变换简介 在诸多模式识别问题中，我们都会涉及到高维数据的计算，为此我们自然地要去寻找一些对数据进行降维的有效方法。Karhunen-Loeve(K-L)26-29变换法，在计算机视觉和图像处理领域中有着广泛的应用。通过 K-L 变换能够获得互不相关的新特征，如果采用大的特征值对应的特

43、征向量组成变换矩阵，则能够对应地保留原模式中方差最大的特征成分，从而起到减少相关性，突出差异性的效果。 通常情况下，一幅图像是用一个二维数组来表示的，设有 N 个n 维的样本图像分属于 C 个类。通过如下的一个线性变换，把原n 维图像样本映射到m 维 ( m n) 的特征空间中，得到的特征向量为： k=1,2,.,N （3.7） 其中， ， 是一个标准的正交矩阵。我们定义样本的散布矩阵为： （3.8）其中，N 是所有样本的个数，是所有样本的均值。在用 在用做线性变换后，特征向量的协方差矩阵为。在K-L变换中，最佳投影使得变换后的样本的散布矩阵的行列式最大， （3.9）其中是的最大的 m 个特征

44、值对应的特征向量。因为这些特征向量与原样本具有相同的维数，所以被称为特征图像(Eigenpictures)。然后可以用某些分类方法，比如最近领方法，对降维后的特征空间进行分类和识别。 以上就是对 K-L 变换方法的简介。这种方法的一个缺点就是在投影过程中，不仅对分类有用的类间散布矩阵被最大化，而且对分类没有作用的类内散布矩阵也被最大化了。考虑到文献30中所述，一幅图像与另一幅图像之间最大的差别通常是因为照明的变化。那么，如果对不同照明条件下的图像进行 K-L 变换，则投影矩阵 会使特征空间中包含不同光照变化的信息，从而影响到特征空间中的分类效果。 有研究人员对以上问题提出这样的解决办法：去掉最

45、大的三个主成分。他们认为这样做可以消除光照的变化带来的影响。但是，这种方法的前提是假设最大的主成分是对光照变化的描述，而实际上，最大的主成分不太可能只是与光照变化的对应，如果鲁莽将其丢掉，有可能会丢失关键的分类信息。 另一方面，用 K-L 变换对图像进行投影变换，产生的图像向量维数一般较高，例如，分辨率为128128 的图像，转化为向量之后维数高达 16384，在如此高维的图像向量上完成 PCA 是非常耗时的。尽管在 PCA 中利用奇异值分解定理可加速总体散布矩阵的特征向量的求解速度，但整个特征提取过程所消耗的计算量很大；其次，主分量分析的训练是非监督的，即 PCA 无法利用训练样本的类别信息

46、。因此，我们需要的是不仅要降低特征空间的维数，而且要选择那些最具有判别力的特征。 3.2.2变换空间判别信息K-L变换方法 K-L 变换方法的基本思想是将原图像投影到较低的空间中，并且使投影后的子空间能够较好地代表原图像空间的特征，从而达到特征提取得目的。而 Fisher线性判别式(FLD)方法首先也遵循 PCA 的降维思想，在寻找投影轴的过程中考虑到样本的类内和类间关系，以使得不同类的样本在投影后的空间更好地分类。 我们在前面讨论过 K-L 变换的方法的缺点，一方面在投影轴的选取过程中没有考虑到样本的类内和类间信息，另一方面对图像光照条件不同的情况没有较强的鲁棒性。而基于 Fisher 线性

47、判别式的方法同样也存在着过学习(overfitting)22-25等问题，需要大量的训练样本集来保证好的泛化能力。 另一种经典的 K-L 变换方法，即包含在类平均向量中判别信息的最优压缩技术，其识别性能优于非监督的主成分分析方法31。受 Hong 32代数特征提取思想的启发，本文对直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法 32进行改进，在借鉴 Fisher 线性判别式方法的同时，克服了传统的主成分分析的弱点。设 X 表示n 维列向量，将mn 的图像矩阵 A 通过以下线性变换直接投影到X 上。 （3.10）得到一个m 维列向量Y ，我们称 X 为投影轴，Y 为图象 A的投影特征

48、量。 设有C 个已知的模式类别， 表示第 i 类的训练样本数， N 表示各类的训练样本总数。第i类的第 j 个训练样本图象为m n的矩阵。第 i 类的训练样本的平均图象为，所有训练样本的均值图象记作。 将训练样本图象投影到X上后，得到如下投影特征向量： （3.11）假设第i类投影特征向量的均值为，所有训练样本投影特征向量的均值为，则有。从而可给出投影特征向量的类间散布矩阵和类内散布矩阵的估计如下(其中表示第 i 类的先验概率， i = 1, 2,.,C)： （3.12） （3.13）令,分别为图像类间散布矩阵和图像类内散布矩阵，其中 （3.14） （3.15）易证明和均为非负定矩阵。而且，值得

49、指出的是，在图象识别问题中，一般情况下总是可逆矩阵，除非每类中只有一个训练样本。3.2.3 原空间判别信息K-L变换的特征提取方法 以上给出了变换空间判别信息 K-L 变换的实现过程及其在掌纹特征提取中的应用。下文通过用特征对原始掌纹子图进行重建表明：这种 K-L 变换的方法在掌纹特征提取和识别效果方面仍有提高的空间。为此，本节将对该方法作进一步的分析，并对其作出改进，从而提出本文的原空间判别信息 K-L变换法。 （1）原始掌纹子图的重建 对某掌纹子图使用变换空间判别信息 K-L 变换的特征提取方法得到的特征向量所示。从公式(3.3.4)可知，对于掌纹感兴趣区域图像 A，其特征Y 为: （3.

50、16） 其中 X 为投影特征轴，从上式可以推出通过特征对原始掌纹子图的重建近似为： （3.17） 重建后的掌纹图像只是部分还原了原始掌纹子图的特征，而掌纹图像中最具分辨能力的主线信息(即主成份信息)并没有在重建的图像中得到很好的体现。由此可见，这种 K-L 变换方法在特征提取方面还有一定的改进空间。 （2）变换空间判别信息 K-L变换的进一步分析 通过上述不足之处的分析，我将对这种 K-L 变换法做一些改进。考虑到识别的根本目的是提取样本的某些特征，从而将分属不同类的样本分开。而由 4.3.3节图像投影轴求法步骤可知，矩阵B 对类内散布矩阵进行了归一化，同时也对类间散布矩阵做了相应的变换。这一

51、步的初衷是将同类样本的信息 进行归一化，然后用归一化矩阵对类间散布矩阵进行变换，但此归一化矩阵对类间信息的作用效果并不明确。所以矩阵 B 的变换是值得讨论的，它对类间散布矩阵所作变换的意义并不明确。因此，本文对变换空间判别信息 K-L 变换进行改进，即利用原始的类间散布矩阵来计算投影特征轴，而不是式(3.14)所示的。考虑到这一变换过程的本质是将归一化矩阵投影到原始类间散布矩阵的特征向量空间中，所以我将这种改进的方法称为原空间判别信息 K-L 变换。以下实验将证明这种改进的有效性。（3）实验结果分析 实验匹配方法选用欧氏距离法，数据库选用自行采集的私有库中的 30个不同的手掌，每个手掌6幅图像

52、，共 180幅掌纹图像，其中，我随机选取每个手掌的 3 幅掌纹图像组成训练样本集，剩下的 3幅组成测试样本集，即本实验的训练样本数和测试样本数均为 90。手掌图像的预处理过程则仍然采取如前文章节所示的方法，这里不再累述。图 3.3 给出了处理之后得到的掌纹子图像。 图3.3原图像（a）与提取特征向量图像(b) 识别实验由两部分组成：训练和匹配。首先，计算每个掌纹的训练样本的类内平均图像和所有图像的平均图像，投影轴可以通过(3.14)、(3.15)、(3.16)式得到，然后由(3.17)式计算得到每个样本的特征向量。之后，我用最近邻方法来实现分类：对于一个测试样本，计算其特征向量和每一个手掌的特

53、征向量之间的距离，如果这个测试样本和它本身所属的手掌之间的距离最小，那么就得到一个正确的匹配，反之，则匹配错误。 下面截图给出了本文的方法与变换空间判别信息 K-L变换法的比较结果。从表可以看出，相同训练样本和测试样本的条件下，本文提出的原空间判别信息 K-L 变换法在投影特征轴数为 16 的时候已经达到 80.00%的识别率，而以最少的特征轴数来达到最高的识别率是我们所期望的效果，因为这意味着这些少量的投影特征轴所构成的特征子空间足以代表掌纹的全部特征，同时较少的特征轴数也意味着计算复杂度的降低。可见，本文的 K-L 变换法有更好的识别效果。4 基于空域的掌纹特征提取方法研究4 基于空域的掌

54、纹特征提取方法研究 局部二进制模式是近年才应用于掌纹图像特征提取的一种方法，他首先由芬兰科学家Timo Ojala33等提出，是一种有效的纹理描述算子。高涛和何明一等人34提出了基于小波分解和多级LBP 直方图数据特征进行人脸识别的方法；吴建华和江春花34利用LBP 提取算子对医学图像进行检索；王培珍和高尚义等人35利用图像的LBP 特征对带钢表面缺陷进行检测；练秋生和刘春亮36提取Gabor变换后图像的LBP 特征实现掌纹的识别；Wang Xianji 和Gong Haifeng 等人37也是通过提取图像的LBP 特征，实现掌纹的分类的。4.1 局部二进制模式（LBP） 原理 设 T 为灰度

55、图像某邻域内P 个像素点灰度值的联合分布函数，即 （4.1）其中,为中心像素点的灰度值，周围的像素灰度值为，p=0，1，p-1。在不丢失信息的情况下，从邻域中将提取出来，即 （4.2） 假设与相互独立，那么就可以得到 （4.3） 而实际上，真正的独立关系是不存在的，因此，这只是一个近似的联合分布。我们希望在对图像灰度进行变化时，损失的信息尽量小。而(4.1.3)中的描述的是图像的整体亮度，与局部结构无关，不能提供有用的图像结构信息，因此可将(4.3)式转化为 （4.4）我们只考虑 与相对的大小，而不考虑具体的数值，则(3-24)式可以转化为 （4.5）式中， （4.6）通过给 添加系数2p，可以把(4.5)转化为一个特别的 LBPP,R值，他描述了局部图像的结构特征，即 （4.7）西安工业大学毕业设计（论文）