《第10章 应用实例（2掌纹识别） 数字图像处理课件》由会员分享，可在线阅读，更多相关《第10章 应用实例（2掌纹识别） 数字图像处理课件（48页珍藏版）》请在金锄头文库上搜索。
1、掌纹识别的研究与DSP实现,1 绪论,1.1课题研究的背景和意义当今信息社会，信息安全已成为世界各国广泛关注的重要问题 。生物特征识别技术就是通过计算机与各种传感器和生物统计学原理等高科技手段密的切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。全球各国纷纷将生物特征识别技术的发展作为关系国家安全的重大基础技术加以扶持、推广。掌纹识别是生物特征识别领域的又一新兴技术，它是指根据人手掌上的有效信息来识别哪些掌纹图像是来自同一只手掌，哪些掌纹图像是来自不同的手掌。,1.2生物特征识别的简介生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。将生理和行为特征统称为生物特
2、征。身份鉴别可利用的生物特征必须满足以下几个条件：第一，普遍性：第二，唯一性：第三，可测量性：第四，稳定性： 掌纹识别作为新兴生物识别技术，其以上条件都满足。掌纹面积较大涵括信息丰富、特征稳定且明显，提取特征时不容易受到噪声的干扰、采集设备简单低分辨率图像就可以满足要求、和指纹相比 用户接受程度高 ，被窃取的可能性小。,1.3掌纹识别的研究现状1) 掌纹识别算法研究现状 掌纹识别算法有很多种，主要分为两大类：基于掌纹结构特征的识别方法和基于统计特征的识别方法。基于统计特征的识别方法是将掌纹图像进行某种变换，使得掌纹在变换域中区分性更好或维数更低，将掌纹特征在变换域中体现的更好或者便于提取、分类
3、、识别。例如：傅立叶变换 、K_L变换小波变换等。基于掌纹结构特征的识别方法主要是将掌纹图像看作纹理图像，手掌不同纹理也不同。这些方法传承指纹识别的思想,受掌纹图像分辨率的影响较大；并且受掌纹相似程度的影响，该方法对小型数据库有效，对大型系统而言，识别精度会大大下降,2）掌纹识别系统应用现状 2002年香港理工大学和哈尔滨工业大学联合研制了世界上第一套民用掌纹识别系统；2007年张大鹏教授等研制成功了国际上第一套高精度自动掌纹识别系统；近期，日本富士通开发了非触式掌纹识别系统并投放国际市场。目前掌纹识别系统在各种生物识别系统应用分额中占很小的部分，民用掌纹识别系统少之又少，在国内民用掌纹识别系
4、统应用市场几乎空白。那么研制体积小巧、价格便宜、开发周期短、维护方便、满足中/低级别安全要求的掌纹识别系统，以便在民用领域推广和普及应用将是一个很有意义的研究课题，也是掌纹识别系统研究应用的发展趋势。,2 掌纹识别软件框架与DSP硬件平台,2.1软件框架及算法流程 2.1.1掌纹识别的核心思想本文掌纹识别核心思想是基于最大内接正方型边长为粗匹配、FFT变换为细匹配的双重匹配识别思想。第一级(又称粗匹配)匹配阶段利用手掌的掌面最大内接正方形边长作为匹配标准：由于不同的人的手掌大小有所区别；第二级(又称细匹配)匹配阶段是将粗匹配阶段得到的掌面识别的有效区域作为匹配区域, 对有效区域的掌纹信息进行特
5、征提取，得到掌纹的频谱域图像，含有不同掌纹信息的图像在频域图中的能量分布也不同。,本文掌纹识别的主要处理过程有定位、分割、特征图像预处理、特征提取和匹配。掌纹识别预处理的关键处理步骤见图2.1。图2.1掌纹图像预处理关键步骤示意图,2.1.2软件系统框架本文软件系统 设计主要分两大块， 一是“算法实现模块”， 一是“系统应用模块”。 “算法实现模块”主 要实现掌纹的预处理、 特征提取、匹配过程； “应用模块”主要是 根据匹配的结果，实 现识别库的管理以及 图2.2 软件结构示意图 识别过程。算法基本设计思路如图2.2所示 。,2.1.3算法流程本文掌纹识别算法分为若干实现模块，见图2.3：图2
6、.3 主要算法流程图,2.2 DSP实现本文设计实现的DSP硬件平台是闻亭公司的DM642开发板。TDS642EVM 多路实时图像处理平台是基于TI的TMS320DM642 DSP芯片设计的评估开发板。图2.4 DM642功能结构示意图,图2.5 DM642系统参数图,图2.6 DM642存储器编址示意图,表2.1 存储器分配,3 掌纹图像的预处理,3.1边缘提取 3.1.1改进型sobel算法原理用Sobel算子做图像边缘提取是现在常用的边缘提取方法之一 。本文采用8方向模板改进型Sobel算子做边缘提取的运算模板。见图3.1 ：图3.1 改进型Sobel算子方向8模板、经典Sobel算子,
7、3.1.2改进型sobel算法原理结果分析在对同一幅二值化的掌纹图像做轮廓边缘提取的时候，由于改进型Sobel算法结果边缘平整连续，没有边缘缺失的情况。在利用形态学的方法进行拐点提取的时候，可以最大程度减小拐点搜索缺失的情况，增加定位的精确程度。见图3.2：图3.2 (a)经典Sobel边缘提取效果图 (b)改进Sobel边缘提取效果图,3.2拐点的提取 3.2.1形态学算法原理(a) (b) (c) (d) (e) (f) (g) 图3.3 (a)采样图像 (b)二值图像 (c)轮廓边缘图像 (d)膨胀图像 (e)腐蚀图像 (f)拐点区域图像 (g)拐点图像,3.2.2结果分析错误情况一，见
8、图3.4： 图3.4 错误情况一示意图 结果中小拇指和无名指之间的拐点没有计算出来。分析原因是因为无名指和小拇指张开角度过大，膨胀和腐蚀以后没有产生联通的区域。,错误情况二，见图3.5：图3.5错误情况二示意图 上面结果中第3个拐点的坐标位置不正确。分析原因是由于中指和无名指张开角度过小，膨胀和腐蚀以后中指和无名指之间的联通区域过长，导致搜索计算的时候搜索到记录相邻两点之间距离大于所设置的阈值情况，则搜索的第三个拐点仍然在第2个联通区域内。,形态学原简单，实现方便、快速。但由以上结果可知，用形态学原理来提取拐点进行定位的方法，其本身有局限性，定位准确性受到手指张合程度的影响较大。使用改进型So
9、bel边缘算法可以一定程度的减少错误的发生，但不能根本上消除其影响。所以在实际系统中，采集掌纹图像的时候应当对手掌的摆放稍微加以限制，例如在采集屏上标记手掌和手指形状的图形，要求用户手掌摆放在图形之内；或者在采集屏上安装小的触摸丁，让用户手指触摸；或者直接设计指环，让用户手指套入指环内等。这样可以最大限度避免甚至消除以上错误的发生。例如图3.10的示范，在采集屏上加上小螺钉(1,2,3,4,5)对手指的张合加以限定。,图3.10 手掌图像采集定位示意图,3.3掌纹图像的旋转 3.3.1“错切”原理简介传统的图像旋转方法是根据图像旋转的角度，构造旋转矩阵，正值为逆时针旋转，负值为顺时针旋转。“错
10、切”原理旋转时可以将原来的二维图像旋转变换成三次一维“移切”运算，并且“移切”过程中变换系数为1，有效的克服了二维旋转的“放大效应”。,3.3.2旋转结果分析 (a) (b) (c) (d) 图3.7 (a) 45度旋转 (b)60度旋转 (c)90度旋转 (d)180度旋转 本文为简化算法，提高运算速度，逆向映射时不进行插值运算，所以必须保证图像旋转角度不超过正负45度，避免像素的损失。考虑到掌纹图像旋转是可顺可逆的，所以实际上图像的最大旋转角度为180度。如果旋转角度小于135度，则分为3次45度之内的旋转完成;如果旋转角度超过135度，则只需要逆向旋转其补角的角度即可。,3.4掌纹图像的
11、分割 3.4.1基于手掌最大内接正方形的分割算法原理 直接搜索掌面最大内切 圆，以该圆为分割图像进行FFT变换的方法，本文认为搜索最大圆的计算量 过大、耗时长，不能满足实时性要求；而且直接对分割圆进行FFT变换，即使是同一手掌在不同时刻的采样，其掌面半径也不可能完全一样，其FFT变换结果差异较大，影响识别的精准度。,3.4.2分割结果分析,(a) (b) 图3.9 分割效果图(a)、(b)来源于同一手掌不同采样图像的分割效果,图3.9所示的是同一手掌在不同时刻采样的两幅图像做分割处理的结果，这两幅图像有2个像素的平移差异。 (1)由于手指张合程度的差异，手掌摆放位置的不同，拐点位置也有差异；(
12、2)旋转运算后，像素坐标值一般为小数，强制转换为整数后也有误差。使用本文方法进行定位运算，无法避免或消除以上误差；但是分割图像差异一般保持在几个像素间，差异不大，对匹配结果的准确性不会有太大的影响 。,4 掌纹图像的特征提取和特征匹配,4.1特征提取的预处理过程 4.1.1图像增强和灰度平衡 本文在对分割图像做FFT变换提取特征值运算之前，考虑到噪声影响以及不同光源背景对提取掌纹纹线时设定阈值的影响，在FFT变换之前要做一些必要的预处理。本文分别采用3种预处理方法：经典Sobel算法结合双阈值处理、改进Sobel算法结合单阈处理、基于改进Sobel算子图像增强处理。所谓灰度平衡，由于图像背景灰
13、度的差异会影响阈值的设定，为了使同一阈值能够适应不同灰度背景的图像，就必须将不同图像背景归一到同一灰度平面内，即灰度平衡处理 。本文设定的灰度均差为180。,拉普拉斯图像增强和灰度平衡处理：拉普拉斯模板如图4.1：(a) (b) 图4.1 拉普拉斯变换的两种模板 (a)中心系数为正(b)中心系数为负,图4.1 (a)原分割图像 (b)拉普拉斯增强效果 (c)亮度平衡图像,(a) (b) (c),4.1.2掌纹纹线提取,图4.3.(a)经典Sobel提取边缘效果 (b)双峰阈值提取的二值化纹线图 (c)改进Sobel提取边缘效果 (d)单阈值提取的二值化纹线图,4.1.4基于改进Sobel算子的
14、图像增强原理 由于改进Sobel算法在提取图像边缘的时候，不仅可以有效的抑制噪声，锐化效果也比较突出，基于上述优点，根据拉普拉斯算子做图像增强的思路原理，本文提出了利用改进Sobel算子对掌纹图像做增强的处理方法，并以此增强结果作为掌纹特征提取的输入进行匹配。 用改进Sobel算子对掌纹图像做增强的实现步骤：(1)对分割图像进行改进Sobel边缘提取，改进模板见图3.1。(2)对(1)的计算结果做标定：用255/MAX去乘图像每个像素值，得到标定图像；(3)将原分割图像与标定后的图像做加权加法：原图像权系数为0.5，标定图像的权系数为1.2：即原图像0.5+标定图像1.2=增强图像。(权系数由
15、实验经验得到)增强效果见图4.5。,(a) (b),(c) (d) 图4.5 (a)原图像 (b) 改进Sobel提取边缘图像 (c)标定后的图像 (d)Sobel增强图像,4.1.3快速二维傅立叶变换的实现,(a) (b) (c)图4.4 (a)( 图4.3b)的FFT频谱图像 (b)(图4.3d)的FFT频谱图像 (c)（图4.5d）的FFT频谱图像,4.2特征提取和匹配 4.2.1特征提取,为16个方向上的频谱和，在FFT变换图像中就是16个方向上所有像素值的和。根据上式就可以计算出反应掌纹图像能量分布特征的16个特征值，又因为FFT频谱图像成中心对称，所以实际计算中只需要计算8个方向上的特征值（即i的最大值为8）。,
