《一种基于移动平台的掌纹roi定位算法》由会员分享，可在线阅读，更多相关《一种基于移动平台的掌纹roi定位算法（7页珍藏版）》请在金锄头文库上搜索。
1、一种基于移动平台的掌纹 ROI 定位算法 刘金浩 孙冬梅 北京交通大学计算机与信息技术学院 摘 要： 随着移动信息时代已经到来, 对于适用于移动平台的掌纹 ROI 定位算法的需求日益迫切。针对以往大多数掌纹定位算法均针对固定采集设备提出, 本文提出了一种基于移动平台的掌纹 ROI 快速定位算法, 该算法综合考量指间谷点附近的形态学特征和纹理特征从而提高定位的准确度。实验结果表明, 该算法具有较好的定位精度, 并且在移动设备上仍具有较快的运行速度。关键词： 掌纹 ROI 定位; 移动平台; Haar 随机森林回归投票; 肤色检测; 作者简介：刘金浩 (1992) , 男, 北京人, 硕士。研究方
2、向:生物特征识别。收稿日期：2016-11-08A palmprint ROI positioning algorithm based on mobile platformLIU Jin-hao SUN Dong-mei School of Computer and Information Technology, Beijing Jiaotong University; Abstract： With the advent of the era of mobile information, the demand for the application of algorithm running o
3、n mobile platform is becoming more and more urgent. In the past, most palmprint location algorithms are proposed for fixed acquisition equipment, we present a fast location algorithm of Haarp almprint ROI based on mobile platform, which integrated consideration the morphological features and texture
4、 features of the valley points between fingers to improve the accuracy of positioning. The results of experiments shows, the algorithm has good localization accuracy and with a faster running speed on mobile devices.Keyword： palm print ROI positioning; mobile platform; Haar random forest regression
5、voting; skin color detection; Received： 2016-11-08随着移动信息时代已经到来, 智能手机等移动通信设备已经在日常生活中普及, 在移动设备介入人们生活的方方面面的同时, 也加大了移动设备被不法分子攻破时所带来的风险。而基于生物特征识别的认证方式, 例如掌纹, 指纹和虹膜, 因其具有唯一性, 持久性和不可忘记性, 克服了传统认证方式的缺陷, 成为一项极具竞争力的技术。其中, 掌纹区域较大因而不需要很高的图像分辨率, 使用一般移动设备上所配备的摄像头便可满足需求, 使得掌纹识别在移动平台上的应用具有先天优势。在之前的掌纹识别系统中, 掌纹 ROI 定位
6、方法1-7一般分为 3 步:1) 对图像进行二值化处理;2) 提取手掌区域边缘;3) 利用形态学方法定位指间谷点并根据指间谷点定位感兴趣区。但在使用移动设备采集掌纹图像时由于光照以及背景复杂, 很难比较稳定的提取到准确的手掌区域边缘并影响最终掌纹 ROI 的定位精度。另一方面, 由于移动设备具有存储空间稀缺, 计算能力相对较弱的特点, 一些已经在人脸分割领域十分成熟但需要较大运算能力的算法, 例如 AAM8、CLM9等在移动设备上运算速度较慢, 不适宜移植到移动平台上。因此, 文中提出一种基于移动设备的掌纹 ROI 定位算法, 该算法利用 Haar 随机森林回归投票10算法学习谷点附近纹理特征
7、, 并综合考虑谷点附近形态学特征, 从而定位指间谷点并获得最终的掌纹 ROI 区域, 在移动设备上保持较快运算速度的同时获得提高定位的准确度。1 Haar 随机森林回归投票算法Haar 随机森林回归投票算法10类似于 HoughTree11算法, 与其不同的是其对图像类别不做区分, 且叶子节点只存储平均偏移而不是训练样本, 从而节省了存储空间。该算法分为训练和检测两部分。1.1 训练过程在特征点附近-d max, dmax范围内随机选取一系列坐标点 z, 以 z 为中心提取大小为 mm 的样本图像, 计算其 haar 特征 f (z) , 并记录点 z 与特征点的偏移量 d。使用f i, di
8、来训练随机森林, 学习偏移量 d 与特征 f 之间的关系。在树的训练过程中, 使用达到最小时的特征 fi以及阈值 t 作为节点分割的标准, 其中 G (di) =N log|, 为 di构成向量的协方差矩阵。当树到达最大深度或节点中样本数小于预先设定的最小样本数时停止分割, 叶子节点的权重即为 1/ x y, (x, y) 为落在该叶子节点上样本的偏移量。1.2 检测过程在检测时, 对于样本图像每隔间隔 n 选取大小为 mm 的样本, 记录其中心位置fj并计算其特征 fj, 将特征 fj输入随机森林得到多组该样本中心点与特征点的偏移量和与之对应的权重的预测值d j, wj, 对于每个预测值,
9、均在 pj+dj的位置权重增加 wj, 汇总所有样本的投票结果最终获得关于特征点的响应图像。2 算法流程算法流程图如图 1 所示, 首先不断的检测当前获取到的图像中是否有手掌出现且在适当的位置, 在检测到手掌出现且在适当位置的同时划分出谷点 ROI, 随后分别计算指间中线以及谷点 ROI 对于谷点位置的响应图像, 结合指间中线与响应图像确定谷点, 最后根据谷点位置定位掌纹 ROI 区域。2.1 手掌检测如图 2 所示, 参照 JS Kim 等人12的手掌检测方法, 在摄像头采集的实时图像上叠加手形轮廓线, 用于引导用户将五指张开并放在适当的位置。在轮廓线上食指与中指间谷点和无名指与小拇指间谷点
10、的上下各存在两条检测线, 我们在Ycbcr 空间上利用肤色检测13将检测线上的像素点分为肤色点和非肤色点。当两组检测线均同时满足以下两个条件时判断手掌已经处于合适的位置, 并将上下两条检测线内的正方形区域作为谷点 ROI 以便后续定位谷点位置。图 1 算法流程图 下载原图1) 顶部检测线左侧和右侧像素点为肤色点, 中间部分像素点为非肤色点;2) 底部检测线上像素点全部为肤色点。图 2 手掌检测示意图 下载原图2.2 计算指间中线从谷点 ROI 顶部边界线开始, 从左向右计算所有像素点与肤色空间中心点的欧式距离, 根据阈值将像素点分为肤色点和非肤色点, 如图 3 (b) 所示, 两个手指的边界点
11、即为肤色状态发生转换的位置。如图 3 (a) 所示, 沿谷点 ROI 顶部向下每隔 3 像素扫描一次, 重复 20 次或者检测线上全部为肤色点时停止, 得到所有边界点对并计算中点, 最后拟合所有中点得到指间中线。2.3 计算谷点响应图像2.3.1 训练 Haar 随机森林首先训练 Haar 随机森林。我们将训练集所有图像根据人工标定的谷点位置进行归一化, 对于每幅训练图像在谷点附近 35 像素距离内随机取 15 个大小为2020 像素的正方形图像用于随机森林的训练, 两个谷点各训练一组具有 10棵树的 Haar 随机森林, 其中每棵树的最大深度为 200, 每个节点中样本数小于5 时停止生长。
12、图 3 指间中线定位示意图 下载原图2.3.2 计算谷点响应图像对待检测图像进行缩放和旋转, 使得两个谷点 ROI 的中心与训练集中两个谷点的平均位置对齐, 在谷点 ROI 内每隔 3 像素取大小为 2020 像素的正方形图像, 计算其 Haar 特征后输入与该谷点对应的随机森林。对于每个正方形样本, Haar随机森林均会输出一组投票, 其中每张投票包括一个预测为谷点的位置 p 以及该位置的权重 w, 权重 w 越大则该投票的可信度越高, 汇总所有投票结果便得到谷点 ROI 区域内对于谷点位置的响应图像。如图 4 所示, 响应图像中某一位置的权重越大, 该位置为谷点的可能性就越高。图 4 响应
13、图像示意图 下载原图2.4 确定谷点并定位掌纹 ROI为了综合考虑谷点附近的形态学特征与纹理特征, 将指间中线叠加在关于谷点的响应图像上, 选取指间中线沿线上权重最大的五个位置计算它们的平均值作为最终的谷点预测位置。如图 5 所示, 根据 Zhang14的掌纹 ROI 划分方法, 两谷点距离为 L, 在距离两谷点连线 L 3 的位置取边长为 L 的正方形区域作为掌纹 ROI。图 5 ROI 定位示意图 下载原图3 实验与分析由于以往的掌纹数据库大多均为使用固定设备在封闭环境下采集, 为了验证本文所提出的算法的有效性, 我们在室内和室外两种环境环境下使用移动设备采集 50 人份的掌纹作为掌纹数据
14、库, 并在该掌纹库上与 JS Kim 等人12提出的移动平台下的掌纹 ROI 定位算法进行比对实验。3.1 数据采集我们在 Android 系统上实现掌纹图像采集系统, 该系统包括本文算法中的手掌检测功能, 在检测到手掌后将手掌图像和检测线位置一并记录, 以便在后续实验中使用。我们使用该系统在多种 Android 手机上共采集 50 人的左手手掌图像, 其中每人在不同场景下采集 12 张手掌图像, 包括 6 张在室内拍摄, 6 张在室外拍摄。随后采用人工标定的方式对这 600 张掌纹图像的谷点进行标定。3.2 针对谷点的 Haar 随机森林训练我们将采集的图像分为训练集和测试集, 训练集包括
15、30 人共 360 张掌纹图像, 其余 20 人共 240 张掌纹图像作为测试集。在训练时为了使模型获得一定尺度和角度的适应性, 我们在 0.9 到 1.1 之间每隔 0.05 选取 作为缩放因子对原始图像进行缩放, 在正负 12 度内每隔 6 度选取 作为旋转因子对原始图像进行旋转, 因此我们一共有 9 000 个手掌图像样本作为训练集, 6 000 个手掌图像样本作为测试集。对于每个谷点, 训练一个由 10 棵树组成的随机森林, 每棵树的训练集为从 9 000 个样本中随机抽取的 3 000 个样本。对于每幅训练样本在以谷点为中心偏移在-35, 35像素的区域内, 随机选取 15 个大小为
16、 2020 像素的图像计算其 Haar 特征和到谷点的偏移 (从全部 Haar 特征15中随机选择700 个参与训练) 。根据文献16的结论, 在树的训练过程中当节点上样本数大于 500 时只从中随机选择 500 个样本用于训练该节点, 从而加速训练过程。当树的深度达到 200 或者节点中样本数小于 5 时停止生长。3.3 试验结果3.3.1 准确度测试在 Inte (lR) Core (TM) i5-4210U CPU1.7 Hz 2.40GHz 平台上进行准确度实验, 使用 Matlab 平台实现算法并与 JS Kim 等人12的方法进行比较。使用算法预测的谷点位置与人工标定的谷点位置之间的欧式距离作为准确度的衡量标准, 准确度对比结果如表 1。表 1 定位准确度测试结果 下载原表 由上表数据可以看出, 本文算法在室内和室外环境下具有较高的定位准确度, 而 JS Kim 等人12中的方法在室外
