唐承志王庆伟（西南交通大学电气工程学院四川成都610031）
［摘要］掌握识别中影响识别率的一个关键的因素就是掌纹的“误配准”问题，这是由于对掌纹进行剪切的时候，一般都会有几个像素点的偏移。为了解决这个问题，本文提出一种通过扰动掌纹中心点的方法从一个测试样本得到多个子测试样本，从而得到子测试样本与训练样本的精确配准。取匹配距离最小的测试子样本来决定测试样本所属的类。
［关键词］掌纹识别；“误配准”问题；二维主成分分析（2DPCA）
1引言
近年来，生物特征识别技术得到了研究者的广泛关注，并且越来越多的生物特征识别产品投入市场。其中主要有人脸识别、指纹识别，掌纹识别；而这之中的掌纹识别由于它具有不受表情、姿态影响，掌纹包含丰富的特征，在低分辨率下能得到很高的识别率等优点，受到研究者的青睐，被广泛的研究［1］。
基于主成分分析的“特征脸”方法作为一种经典的人脸识别方法，在人脸识别中取得了良好的成功，引起了巨大的影响。Guan-gmingLu［2］等将其引入到掌纹识别中，并取得了不错的效果。其后由JianYang等提出的二维主成分分析［3］，由于其不需要将图像拉伸为一行或者列，没有破坏图像的整体结构，因此其比一维主成分分析更好的识别率；JianYang等将其用于人脸识别中，获得了比一维主成分分析更好的识别率，并且有更快的计算速度。
然而主成分分析只有在图像精确对准的情况下才能获得理想的效果。在掌纹识别中，一个关键的因素就是掌纹的“误配准”问题，这是由于对掌纹进行剪切的时候，一般都会有几个像素点的偏移。对于这个问题，通常的解决方法是在训练阶段学习可能的偏移情况，从而使最终得到的分类器不受“误配准”影响；典型的有，山世光等［4］在人脸识别中提出用扰动的方法来扩大训练集，获得更多的可能的偏移。然而这会增加训练和测试时间，而且该方法在没有考虑大量平移或者旋转的时候，没有没扰动的时候识别率高。鉴于这点，本文提出一种新的方法来解决这个问题，通过扰动测试集来得到与训练集更匹配的测试子图像。
2掌纹预处理
由于同一个人每次手掌的摆放位置也不可能完全一致，所以在做二维主成分分析前应先对原始图像进行预处理，切割出感兴趣的掌纹区域。具体方法如下：
1)结合在线掌纹图像区域与背景区域灰度相差较大，并且背景区域灰度单调的特点，对其二值化处理。对二值化图像进行形态学的膨胀和腐蚀处理，然后得到轮廓线。
2)跟踪手掌轮廓线，利用圆盘法搜索到食指与中指和无名指与小拇指之间的拐点，连接这两点为x轴，过这两点间的中点并垂直于x轴的直线为y轴，以此建立坐标系。
3)采用以上确定的坐标轴,在原始图中剪切出感兴趣的区域（ROI），然后将图片归一化成128×128的图像。
3掌纹图像中心点扰动
一般来自同一手掌的掌纹剪切后的有几个像素点的偏移（包括水平方向、垂直方向或者两个方向都有）。而且这个问题是普遍存在的，即使使用手工定位掌纹手指间的拐点，也是存在的。
为了解决这个问题，本文提出一种精确配准方法。该方法通过扰动掌纹中心点来重新得到多个子图像。具体做法：找到掌纹的中心点，让掌纹中心点在原中心点周围游动，并已新的中心点为中心，截取原图像中的部分区域作为测试的掌纹图像。这样就可以由一个测试样本得到多个子测试样本。这多个子测试样本中应该包含与训练样本无“误配准”问题的样本，这样就可以得到精确对准的测试子图像。
4特征提取与分类
本文中使用2DPCA的方法进行特征提取。2DPCA用二维图像矩阵直接构建一个协方差矩阵，求出此协方差矩阵特征值和特征向量，并用对应于最大几个特征值对应的特征向量构建坐标系，然后将每个图像矩在这个坐标系上投影，从而得到图像的特征。这种特征受样本个数的影响较小。
令训练样本集为。其中N为训练样本个数，Xi为r行、c列的二维矩阵。所有训练样本的平均为（1）
协方差矩阵G（2）
对G进行特征值分解,最大的d个特征值对应的特征向量V={v1,v1,…,vd}为得到的投影矩阵。分别将训练和测试人脸图像向V作投影，得到每一幅图像的特征矩阵。
用最近邻分类器完成分类任务，比较待识别的人脸图像与训练样本的特征向量之间的欧几里德距离，将该人脸分类为距离最小的那一类。
5实验结果及分析
为了验证本文提出的方法，我们选择掌纹库中100人的600张掌纹图像（每人6张），进行实验。在预处理的时候，我们已经将掌纹剪切为128*128。我们选择其中的300张做训练（每人3张），并在训练前对训练掌纹图像截取中心的80*80大小的区域。在训练的时候，用2DPCA进行特征提取。按照前面描述的一样，我们保留最大的7个特征值所对应的特征向量，得到投影的矩阵。
在进行测试的时候，将每张测试掌纹图像读入；然后将其从原中心点开始上、下、左、右单独或者同时移动2个像素点，上下和左右的范围均为（-10~10）。这样相当于把一张测试掌纹图像变为121张掌纹测试图像。我们将每张中心点扰动形成的掌纹图像向前面得到的投影矩阵进行投影；并计算投影得到向量与训练得到的投影向量的距离，取这121个距离中最小的距离来确定所属的类。并且，我们还测试了每人仅用一张掌纹图像做训练，其余五张做测试的情况下的识别率。实验结果显示，进行中心点扰动后的识别率均要高于中心点未扰动。
进行中心点扰动后的最佳识别率可以达到99%，远高于没进行中心点扰动的95%；两者的特征维数基本相差不大，本文方法在保留最大的4个特征值所对应的特征向量时得到最佳的识别率，未扰动在保留最大的7个特征值所对应的特征向量时得到最佳的识别率；进行中心点扰动的每次识别时间明显要长于未扰动，这是由于进行了多次的距离计算，我们牺牲一定的计算时间来得到更高的识别率。2DPCA的识别时间远小于常用的其他方法，因而牺牲一些时间是值得的。
我们用同样的方法实验了用每人一张掌纹图像进行训练，其余五张进行测试。进行扰动识别率最佳为94.6%，而没有扰动的最佳识别率为85.2%。
本文中提出的方法，能得到更加精确地让测试掌纹图像和训练掌纹图像匹配。在不影响类间距离的情况下，有效地减小了类内距离。
6结语
本文采用的方法，解决了掌纹剪切的时候不可避免的角点定位不准确，因此得到了更好的识别效果。由于每次识别需要进行多次距离的计算，花费的时间自然需要更多。如果能使用得到更加紧凑的特征方法（如Gabor滤波），这样扰动在很小范围就可以得到更好的匹配。掌纹识别中，仅需要64*64大小就足以完成分类，我们也可以先将大小为128*128的掌纹图像调整为64*64，这样也可以让偏移的像素点减少，在配合本文的方法，亦可得到更好的效果。
参考文献：
［1］邬向前，张大鹏，王宽全.掌纹识别技术［M］.北京:科学出版社，2006.
［2］GLu,DZhang,KWang.Palmprintrecognitionusingeigenpalmsfeatures［J］.PatterRecognitionLetters,2003,24(9):1463-1467.