[发明专利]一种基于局部和全局特征融合的掌纹识别方法

摘要

本发明公开了一种基于局部和全局特征融合的掌纹识别方法，包括以下步骤：1，二维Gabor相位编码、改进的有限Radon变换和双向主成分分析法分别提取纹理特征、主线特征、整体特征；2，纹理特征使用Hamming距离进行分类选取，得纹理选取特征；对主线特征使用点对区域的双向匹配进行分类选取，得主线选取特征；整体特征使用最小欧氏距离算法进行分类选取，得整体选取特征；3，纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法，得与待识别样本T的k个近邻分类结果，分类结果采取Borda投票策略决策融合规则进行信息融合，实现掌纹多特征的融合识别。具有识别准确，鲁棒性好的优点。

主权项

1.一种基于局部和全局特征融合的掌纹识别方法，其特征在于：具体包括以下步骤：步骤1：采用二维Gabor相位编码，提取掌纹的纹理特征，采用改进的有限Radon变换，即MFRAT，提取掌纹的主线特征，采用双向主成分分析法，即BDPAC，提取掌纹的整体特征；步骤2：对提取掌纹的纹理特征使用Hamming距离进行分类选取，得到纹理选取特征；对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，得到主线选取特征；对提取掌纹的整体特征使用最小欧氏距离算法进行分类选取，得到整体选取特征，具体按照下述步骤进行：步骤2.1：对提取掌纹的纹理特征使用Hamming距离进行分类选取，具体方法为：Hamming距离用来衡量两幅图像纹理特征的相似度，用于掌纹纹理特征的分类，设P和Q为两个纹理特征向量，归一化的Hamming距离为：公式(13)中，P_R(Q_R)和P_I(Q_I)为纹理特征P(Q)的实部和虚部，为布尔运算符，N×N为纹理特征向量尺寸，i,j为图像中某个点的像素坐标值，为了更好的匹配，在水平和垂直方向移动其中一个特征再次匹配，移动像素范围为‑2到2，然后找出最小的Hamming距离，作为P和Q的相似度；步骤2.2：对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，算法原理如下：对于掌纹主线特征，使用点对区域的双向匹配算法对其分类，算法原理如下：假定A是测试的主线特征图像，B是训练的主线特征图像，A、B大小为m×n，并且A、B为二值图像，主线的像素值为1，则图像A到图像B的匹配分数如下：公式(14)中，N_A为图像A中主线的像素个数，是B(i,j)的3×3邻域，同理，图像B到图像A的匹配分数为：最后，图像A与图像B的匹配分数满足：S(A，B)＝S(B，A)＝MAX(s(A，B)，s(B，A))   (16)公式(16)中，S(A,B)处于0和1之间，S(A,B)越大，图像A与图像B越相似，将S(A,B)的范围放大‑0.1到0.1，找出多个相似的图像；步骤2.3：对提取掌纹的整体特征使用最小欧氏距离算法进行分类选取，具体方法为：设图像A的特征向量Y1＝{y1,y2,...,yn}，图像B的特征向量Y2＝{y′1,y′2,...,y′n}，其中n为特征向量维数，则欧氏距离定义为：公式(17)中，d(Y1,Y2)距离越小，图像A与图像B越相似，将d(Y1,Y2)的范围放大‑0.1到0.1，找出多个相似的图像；步骤3：对纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法，得到的与待识别样本S的k个近邻的分类结果，将分类结果采取Borda投票策略决策融合规则进行信息融合，从而实现掌纹多特征的融合识别，具体包括下述步骤：K近邻分类器方法为，取待识别样本S的k个近邻，看这k个近邻中多数属于哪一类，就把待识别样本S归为哪一类；即在掌纹训练库的N个样本中，设这N个样本中，找出待识别样本S的来自Hamming距离ω1分类的近邻样本有M1个，找出待识别样本S的来自点对区域的双向匹配ω2分类的近邻样本有M2个，找出待识别样本S的来自点欧氏距离ω3分类的近邻样本有M3个；Borda投票策略的基本思想是：每个投票者对不同的候选者采用模式分类技术进行评价打分并排序，然后计算所有投票者的Borda数，具有Borda数最大的候选者可以被认为在经过分类器评价后，在竞争中是最优而获胜；Borda投票策略具体为：1)由于Hamming距离分类、点对区域的双向匹配分类和最小欧氏距离算法分类这三种分类器匹配的属性各不相同，所以需要对各分类器得到的距离进行归一化，具体如下：假设共有K个分类器，每个分类器对应有M个图像，则第k分类器对M个图像评分的排序结果Ck(f)为：公式(18)中：1≤m≤M,1≤k≤K，f是候选图像m的出现在多个分类器中的频率，是第k分类器对候选图像m评分，为k分类器中对所有候选图像的最大评分；2)Borda投票策略没有考虑在实际分类器中之间性能的差别，采用加权方式区分不同分类器的分类能力，则对图像m计算得到的Borda数Bm为：公式(19)中，c为惩罚因子，如果候选图像m的Borda数Bm最大，那么候选图像m可以被认为在经过K个分类器评价后，是最优而被确认为识别结果。