[发明专利]融合多特征和主成分分析的三维掌纹识别方法

说明书

本发明提供了一种融合多特征和主成分分析的三维掌纹识别方法，基于形状指数的分类编码、自适应的修正竞争编码以及曲面类型特征编码来提取几何特征，有效地减少了由于阈值分类而产生的错误分配带来的识别率上的影响；对竞争编码进行了改进，从而更准确地表达了三维掌纹的方向特征；利用分块直方图统计和主成分分析降低了特征维数且去除了冗余信息，使特征对微小位移更具鲁棒性且区分度提高；将三种特征的欧式距离加权融合作为匹配距离，有效提高了算法的精度和鲁棒性；同时使用K近邻算法来实现分类，有效减少数据中的异常值和噪声的影响，缩短了比对时间。

技术领域

本发明属于生物特征识别技术领域，涉及一种三维掌纹识别方法，尤其涉及一种融合多特征和主成分分析的三维掌纹识别方法。

背景技术

近年来，随着社会科技的发展，在出入控制、机场和车站安检、银行和刑侦等应用场景中，基于生物特征的身份识别由于它的用户友好性以及可靠性越来越受到人们的关注。作为生物特征中典型的一员，掌具有许多可用于身份识别的特征。掌纹是指一个人的手的“内面”表皮层，它拥有独特的线特征(主线，皱线)，纹理特征以及丰富的脊纹和细节特征点，并且这些特征被认为是对每一个个体不变且唯一的。因此，基于掌纹特征的身份识别相对于其他生物特征能够达到较令人满意的成功率。与此同时，掌纹识别相对于人脸识别不受表情变化的影响，非接触式掌纹识别相对于指纹识别对用户更加友好，所以，研究掌纹识别是一项既有极大的社会应用价值又在理论上有巨大挖掘潜力的工作。

在此前的3D掌纹识别中，使用的都是根据高斯曲率和均值曲率的符号来对3D掌纹中的点进行分类的方法，这种三维特征称为曲面类型。这种方法是一种基于阈值的分类方法，由于掌纹是非刚性物体，在测量过程中很容易产生微小形变以及存在两张掌纹点云的配准不完全准确的情况，导致阈值附近的点必然存在着错误分类的可能性。此外，3D掌纹ROI图像中蕴含了丰富的方Gabor滤波器来获取图像上每个点的方向信息，这在纹理比较明显的区域是适用的，但在纹理不明显的区域，竞争编码的抗干扰能力将变得很差，具体表现为手掌的微小形变及噪声会对Gabor滤波器在曲率平坦区域的方向判断造成干扰，导致误判。

发明内容

为了克服现有技术中存在的不足，本发明提供一种融合多特征(形状指数类型特征，曲面类型特征，修正竞争编码)和主成分分析的三维掌纹识别方法，该方法充分提取掌纹点云中富含分辨力的特征，且可降低运算量和数据冗余，兼具更高的识别精度、速度和鲁棒性。

为实现上述目的，本发明采用的技术方案为：

一种融合多特征和主成分分析的三维掌纹识别方法，包括以下步骤：

第一步，离线训练阶段：

步骤1：对完整的三维手掌点云进行预处理，将所有的掌纹调整至同一坐标系下，构成掌纹曲面的三维掌纹点云；

步骤2：对上述感兴趣区域的掌纹点云提取形状指数类型特征；

步骤3：对上述感兴趣区域的掌纹点云提取曲面类型特征；

步骤4：对上述感兴趣区域的掌纹点云提取自适应的修正竞争编码特征；

步骤5：对所述形状指数类型特征、曲面类型特征和自适应的修正竞争编码特征分别进行基于分块直方图统计的特征处理，获取形状指数类型特征对应的直方图特征、曲面类型特征对应的直方图特征和自适应的修正竞争编码特征对应的直方图特征；

步骤6：将训练集中所有样本经过步骤1-5处理之后，对所述形状指数类型特征对应的直方图特征进行主成分分析法降维处理，得到最终表征三维掌纹的形状指数类型特征向量；对所述曲面类型特征对应的直方图特征进行主成分分析法降维处理，得到最终表征三维掌纹的曲面类型特征向量；对所述自适应的修正竞争编码特征对应的直方图特征进行主成分分析法降维处理，得到最终表征三维掌纹的修正竞争编码特征向量。

第二步，在线测试阶段：