第1章 绪论

1.1研究背景及意义

随著信息社会的快速发展，日常生活、商业、社会活动和国家公共安全等各种领域都需要有效的身份识别技术来维护社会的安定。如何有效的鉴定身份，并保护该信息的安全性，是一个急需解决的社会问题。传统的身份识别技术主要基于知识或者标志物，而且身份认证极易伪造，因此很难满足当前社会的需求。但是生物特征识别技术[1, 2]是利用人的固有生理特征或者行为特征，来进行个人身份的鉴定。与传统的身份识别方式相比，生物特征识别技术能够提供更为安全、可靠和快捷的身份鉴别和认证结果。生物特征识别技术使用方便，每个人都是利用自己固有且唯一的生物特征来标识身份信息，所以它不需要设置密码，也不需随身携带钥匙、安全卡等物品。生物特征识别技术已经得到人们越来越多的重视，相应的应用也越来越多，比如基于生物特征识别支付应用就是当前的一个研究热点[3]。生物特征识别技术的理想目标是人们仅利用个人生物特征就可以在现实社会以及网路化的虚拟社会进行可靠的个人身份认证与识别[3, 4]。常用于生物特征识别技术的生物特征主要包括指纹、人脸、手形、虹膜、签名、语音、步态等[5–11]。掌纹作为一种生物特征，具有很多可用于身份识别的特征[12, 13]，比如，掌纹具有类似于指纹的特征，比如脊末梢、分叉点等[14]；而且一个掌纹区域面积远远大于一个指纹区域面积，因此，一个掌纹所具有的细节特征远远超过一个指纹；另外，掌纹还具有一些独有的特征，比如主线和皱线等[15]。掌纹中丰富的特征非常适用于人的身份识别。此外大量研究也表明基于掌纹识别的技术可获得很高的识别正确率[16]，甚至可以作为指纹与虹膜识别等的替代技术，而且掌纹识别是一种非侵犯性的识别方法，具有采集方便和易被人们接受等优点[17]。其实，应用掌纹来进行身份识别最早可追溯到16世纪。直到今天，掌纹依然是标识一个人身份的重要依据，特别是在法律认证和案件侦破领域。据统计，犯罪现场提取的潜在证据中有30%是和掌纹相关的[14]。到目前为止，这种法律层面的掌纹识别很大程度上还是依赖于专家的专业知识进行人工识别。随著信息社会的快速发展，特别是20世纪90年末第一台自动掌纹认证系统的研发成功，推动了掌纹识别研究的热潮。当前，包括美国密西根州立大学，香港理工大学，印度理工学院，清华大学，上海交通大学，中国科技大学，哈尔滨工业大学，以及中国科学院自动化所等都有研究团队致力于掌纹识别技术的研究[12]。然而，和人脸识别、指纹识别等生物特征技术相比，掌纹识别技术的起步还是相对较晚，该领域还有很多难点问题没有得到有效的解决[18–22]。

..........

1.2掌纹识别研究现状

掌纹识别相对于其他生物特征识别技术起步较晚，然而，研究表明掌纹中具有大量强鉴别力特征且适用于人的身份识别，因此掌纹识别已成为当前的一个研究热点。掌纹识别一个主要应用是在刑侦破案领域[14]，使用的特征主要是掌纹的细节特征点特征，因此这个领域的掌纹识别方法类似如指纹识别方法。此外，掌纹中的主线等特征也可以和细节特征点结合起来进行掌纹识别[14]。由于掌纹中分布了大量的皱线，加上掌纹图像面积大，导致当前掌纹特征提取困难，演算法计算复杂度高。因此，刑侦领域的自动掌纹识别还处于研究阶段，国内的清华大学和国外的美国密西根州立大学是这个领域的领导者。随著香港理工大学研发出第一套掌纹图像采集和认证系统，有效的推动了掌纹识别在商业领域的应用。和刑侦领域不同，民用领域的掌纹识别主要使用低解析度掌纹图像，提取的特征主要为掌纹的显著特征，包括线特征和方向特征等。当前已有基于掌纹的考勤系统和打卡系统投入使用。在掌纹识别时，手掌和采集设备之间完全接触从而能清晰的采集到掌纹图像，因此相应的掌纹识别率也较高。为了进一步提高用户友好性和拓展商用应用，无限制条件下的掌纹识别成为一个新的研究热点。如印度理工学院和同济大学设计了一种自由环境下的掌纹识别模型，掌纹图像采集时，手掌放在一个采集箱里面，但手掌在一定范围内自由摆放。此外，中科院自动化所设计了一种新的复杂环境下掌纹识别模型，其直接通过摄像头在普通的室内环境下捕捉掌纹图像并识别。由于自由环境下的掌纹图像会受手掌摆放姿势、张合程度以及外界光照等因素影响，导致掌纹特征提取与识别难度大。当前自由环境下的掌纹识别还有很大的研究空间。随著3D识别技术的发展，3D掌纹识别也成为掌纹识别领域一个新的重要分支，当前香港理工大学已设计出一种3D掌纹图像采集设备采集，并建立的一个比较完备的3D掌纹图像资料库。3D掌纹识别方法主要是基于3D掌纹平面的曲率特征，由于掌纹曲率信息容易受手掌张合度影响，所以提高3D掌纹识别演算法的鲁棒性是一个难点问题，当前还鲜有基于3D掌纹识别的应用产品。

.........

第2章 基于相邻方向指示的低解析度掌纹图像识别方法

2.1引言

低解析度的掌纹图像指ppi在100左右的掌纹图像，其中主要描述的是掌纹的显著特征即掌纹的一级特征，包括掌纹的主线，皱线以及掌纹的整体纹理特征。掌纹主线是掌纹中最明显也是最重要的一级特征，它们是掌纹所有线特征中最长、最宽而且有相对固定的起点和终点。一个掌纹一般有三条主线，人们习惯上将三条主线分别称为生命线、智慧线和感情线。任何一个人的手掌即便纹理不是很清晰，但一般都会有明显的三条主线，因此主线也是掌纹中最重要也是最稳定的一种特征。此外，本文在第五章高解析度掌纹图像中将进一步详细介绍掌纹区域及其细节特征的定义。掌纹中除主线外的其他相对细小的线特征统称为皱线[12]。图2-1给出了一个低解析度掌纹图像样例及其主要线特征。从图2-1可以看出，线特征是低解析度掌纹图像最显著的特征。由于掌纹线都具有明显方向性，因此基于掌纹方向特征的方法是当前低解析度掌纹图像识别的主流方法。传统的掌纹识别方法通常基于winner-take-all原则提取一个掌纹方向特征，提取的方向特征对旋转和杂讯等鲁棒性较差，且无法准确描述掌纹图像中交叉线处的多方向特征。针对此问题，本章将提出一种基于相邻方向指示的掌纹特征表示方法，其有效的提高了掌纹方向特征的鲁棒性，并能较好的描述掌纹图像中的多方向特征。本章提出的方法主要表现以下几个特点：(1)传统方法主要基于winner-take-all原则，即采用滤波器和掌纹图像的绝对值来提取方向特征，而本章提出一种通过比较相邻方向的卷积值的方式来描述掌纹图像的方向特征。(2)和传统的掌纹方向特征相比，基于相邻方向指示所描述的方向特征具有较好的旋转和杂讯鲁棒性。(3)低解析度掌纹图像中包含大量的交叉线特征，而交叉点处都具有明显的多方向特征，本章提出的相邻方向特征指示能较好的描述掌纹图像中交叉线的多方向特征。(4)基于相邻方向指示的掌纹识别方法能有效的提高低解析度掌纹图像识别正确率。

...........

2.2掌纹ROI提取过程

低解析度掌纹图像在特征提取和识别之前，通常需要对原始掌纹图像进行预处理，即提取掌纹图像的中心区域(Region of Interest，ROI)[15]。因为原始采集的掌纹图像通常包含手掌的边缘区域以及周围设备或环境等与掌纹无关区域。这部分区域通常会严重影响掌纹特征提取和识别，提取ROI的最主要的目的是提取出掌纹的中心区域，剔除掉非掌纹区域等无关区域。此外，提取ROI有利于对齐掌纹图像，可以有效的提高掌纹特征匹配效率。因此，掌纹图像特征提取与识别过程都是基于掌纹ROI进行的。不同的论文中，ROI的定义和提取会有所区别。但本质上都是提取掌纹中心的一块正方形区域作为掌纹的ROI。目前用的最多的方法就Palmcode[15]中设计的掌纹ROI提取方法，其以手指之间交点作为ROI区域基准点。具体ROI定位和提取包括以下四个步骤[15, 41]：(1)用低通高斯滤波器对掌纹图像进行预处理，去除掌纹图像中的杂讯影响；(2)通过Thresholding将掌纹图像二值化，得到相应的掌纹二值图像，其中掌纹区域为白色，非掌纹区域为黑色，用边缘检测演算法找出二值化掌纹图像的边缘，即找出掌纹边缘线；(3)基于掌纹边缘图像，将食指与中指之间凹谷处连接点和小指与无名指之间凹谷处连接点作为基准点，如图2-2 b)所示，对于接触式采集的掌纹图像，可以通过采集设备两个固定手掌支架来确定找出这两个基准点；(4)用直线连接两个基准点作为 x 坐标，以两基准点的终点为原点，确定 y 坐标并建立定位 ROI 的直角坐标系，取y 坐标上距离坐标系原点为两个基准点之间距离的 3/4 的点作为 ROI 的中心，以两基准点之间的距离为边长，四边分别与 x 轴和 y 轴平行的正方形区域即定义为掌纹ROI区域，如图2-2 c)所示，把ROI区域的掌纹图像提取出来即为该掌纹图像的ROI图像，如图2-2 d)所示。在接下来的低解析度掌纹图像识别中，首先会进行ROI提取预处理，掌纹特征提取和匹配都是基于掌纹ROI图像。

.........

第3章 低解析度掌纹图像半方向特征提取....... 35

3.1引言..... 35

3.2掌纹图像的双半方向特征......... 36

3.3掌纹图像半方向特征提取与匹配........ 37

3.4实验结果....... 41

3.5本章小结....... 51

第4章 基于低秩表示和主线距离融合的非接触式掌纹识别方法...... 52

4.1引言..... 52

4.2掌纹图像主线特征提取.... 55

4.3基于主线距离约束的掌纹图像的低秩表示............ 56

4.4实验结果....... 62

4.5本章小结....... 70

第5章 一种针对高解析度掌纹图像的特征提取及匹配方法............ 72

5.1引言..... 72

5.2高解析度掌纹图像特征提取...... 73

5.3高解析度掌纹图像特征识别...... 81

5.4实验结果....... 86

5.5本章小结....... 88

第6章 基于增强竞争编码和曲面类型的3D掌纹识别方法

6.1引言

3D掌纹图像顾名思义是由手掌面的三维结构信息构成的图。3D掌纹图像主要是通过接触式方式采集，使用的采集设备也是专门的3D掌纹采集设备[23, 133]。本文使用的3D掌纹图像都是由香港理工大学生物研究中心设计的3D掌纹图像采集仪获取。在3D掌纹图像采集时，手掌完全张开并放在采集仪的固定位置，采集仪通过结构光三维成像技术(Structured-light imaging)[134]来计算掌纹的3D深度信息。这种技术用光源产生一系列条纹状光线照射手掌掌面，然后用CCD摄影机捕获相应的黑暗条纹相间的掌纹平面，通过黑白条纹的位移测量信息计算掌纹面的深度信息。3D掌纹图像中保存的是掌纹表面的深度信息。相应地，3D曲面深度变化幅度、曲面凹凸形状等特点都是3D掌纹图像中蕴含的特征[135]。而且3D掌纹图像中还蕴含了掌纹的主线，皱线以及纹理等特征，比如那些深度较大的区域往往是由掌纹中的线特征产生的。所以说，3D掌纹图像中体现的掌纹特征和低解析度的图像是一致的[136, 137]。图6-1显示了从不同的角度看到的一张3D掌纹图像的形状。需要特别说明的是，在3D掌纹图像采集时采集了大量的边缘区域以及非掌纹图像区域。这些区域都不适合掌纹特征提取。因此在3D掌纹图像特征提取之前，需要对其进行预处理以提取3D掌纹ROI，即提取掌纹中具有稳定掌纹特征的中心区域，同时对掌纹图像进行对齐。3D掌纹图像ROI定义和低解析度掌纹图像ROI是类似的，即提取出手掌的中心一块区域作为特征提取和识别的有效区域。而且3D掌纹图像的ROI提取也是借助于低解析度的掌纹图像。在3D掌纹图像采集时，采集仪同时采集手掌的3D掌纹图像和相应的2D低解析度掌纹图像[138]，并基于低解析度掌纹图像使用Palmcode方法中提出的策略[15]确定基准点并定位掌纹图像ROI区域。由于3D掌纹图像和2D低解析度掌纹图像是同时采集的，所以它们相应的位置是对齐的，因此它们具有相同的ROI定位方式。借助于2D低解析度掌纹图像的ROI基准点就可以定位3D掌纹图像ROI区域[23, 139]。图6-1显示了一个预处理后的3D掌纹图像。结 论

随著信息社会快速发展以及各种智能安全技术的普及，如在线支付，门禁，考勤以及各类个人电子产品已经融入我们的生活，因此安全有效快捷的身份识别技术显得尤为重要。生物特征识别技术具有携带方便，不易伪造而且安全可靠等优点而受到极大关注。掌纹识别作为一种相对较新的生物识别技术起步较晚，然而，掌纹中包含特征丰富，比如掌纹中的细节特征是指纹的十倍。而且，掌纹识别是一种非侵犯的识别技术具有采集便利易被人们接受等优点使其成为近年的研究热点。掌纹识别方法和掌纹图像类型紧密相关，不同类型的掌纹图像具有不同类型的掌纹识别方法。本文根据掌纹图像特点把掌纹图像划分为四种类型：低解析度接触式掌纹图像，非接触式掌纹图像，高解析度掌纹图像和3D掌纹图像。针对四种类型的掌纹图像，本文深入分析它们的特点，并针对性地设计相应的掌纹图像特征提取和识别方法。本文的工作和创新点如下：

(1)在低解析度接触式掌纹图像识别中，提出了一种基于相邻方向指示的掌纹识别方法和一种基于半方向的掌纹识别方法。低解析度接触式掌纹图像中包含了掌纹的线以及纹理特征，这些特征中蕴含了强区分能力的方向特征。针对掌纹方向特征，本文提出了一种基于相邻方向指示的低解析度掌纹图像识别方法。掌纹相邻方向指示不但对掌纹的旋转和杂讯有较强的鲁棒性，而且它可以有效的描述掌纹中的多方向特征。此外，大量统计结果表明掌纹图像中的线特征大多具有一定弧度，甚至包含一些折线特征。传统基于Gabor滤波器的方法提取的方向特征无法准确描述掌纹图像中曲线点的方向特征。本文根据特征提取原理提出了一种半方向的掌纹图像方向特征表示方法，并设计了half-Gabor滤波器用于提取掌纹图像半方向特征。基于半方向的掌纹识别方法不但能准确表示掌纹图像中任何类型点的方向特征，而且还有效地提高了低解析度掌纹图像识别正确率。

(2)提出了一种基于低秩表示和主线距离融合的非接接触式掌纹识别方法。非接触式掌纹图像是一种低解析度掌纹图像，其主要特点是掌纹图像采集时手掌和采集设备之间是分离的而且采集环境相对比较复杂。因此，非接触式掌纹图像具有明显的类内多样性且易受外界光照和杂讯等影响，从而导致了传统的掌纹图像识别方法在非接触式掌纹图像识别中识别率低。本文将非接触式掌纹图像看成是来自不同子空间的样本点，并将低秩表示方法引入到掌纹识别当中。低秩表示能够很好地区分来自不同子空间的样本，而且对杂讯有修复能力。此外，主线是掌纹中最稳定的特征，在非接触式掌纹图像中，主线特征一般可以稳定的提取出来，因此，本文提出了融合主线距离约束的低秩表示模型用于非接触式掌纹图像识别。通过主线距离约束低秩表示从而构建最优的掌纹图像关联度矩阵。

(3)针对高解析度掌纹图像识别提出了一种高效的细节点特征提取及其匹配方法。高解析度掌纹图像中主要包含掌纹的脊线以及由脊线组成的特征，比如脊末梢和脊分叉等细节特征点。在细节特征点提取阶段，论文提出了一种基于邻域方向一致性来修正掌纹图像中脊方向特征，并提出一种改进的Gabor滤波器来增强预处理掌纹图像，修复掌纹中被皱线中断的脊线分布，从而有效的过滤掉掌纹中假性细节特征点。在匹配阶段，论文分析了掌纹中脊线的分布特点并提取出掌纹主导脊方向。通过掌纹的主导脊方向能够高效的完成掌纹图像旋转对齐，再利用coarse-to-fine快速寻找掌纹图像最优偏移位置。实验结果表明，基于改进的Gabor滤波器有效排除了掌纹中假性细节点，而掌纹主导脊方向能有效提高特征匹配效率。

..........

参考文献（略）

推荐阅读：