2.4 本章小结
本章中详细描述了关于掌纹和手形特征区域提取过程及所应用到的图像处理方面的相关算法知识。例如图像格式转换，中值滤波等，提并详细的阐述基于手型轮廓的特征定位与基于掌纹的ROI定位。
本文选用二维主成分分析方法提取特征，在此基础上提出基于“掌纹+手形”的双模态生物识别。并确定特征融合方案。基于不同方法所提取的手形与掌纹图像进行特征层融合，进行实验分析。
- 15 -
第3章 手部图像特征提取
3.1 手部特征识别现状分析
在本文进行手部图像的分析时就是指基于掌纹与手形识别现状分析，接下来分别就手形识别与掌纹识别进行描述[11]。
1. 手形识别：
手形识别的识别方式是基于手部几何轮廓所进行，手形识别应用在生物识别领域已经有很长一段时间了，在安防系统中已经有广泛应用，手形特征具有较高的稳定性，而且不易受到外界环境因素的变化而发生改变，近些年来，随着科学技术的不断发展，国际上对与基于模式识别的手形识别技术也越来越关注。
手形识别是一种生物识别技术，它主要是继指纹识别之后的又一个重要识别方法，它的主要优点有操作简单、认证速度快、成本相对较低。现阶段已经被广泛的应用在考勤等系统中，手形产品与指纹产品基本上已经持平，手形识别以成为国内外生物识别技术市场中又一主力产业，手形在一段时间内是保持稳定的，可以将手形作为手部生物识别特征之一进行研究讨论，通常手形识别分为二维与三维两种识别，当前虽然无人能够伪造出手形三维识别技术，但其三维手形在技术方面存在一定的难度，本文主要是对手形二维图像进行研究。
手形识别的主要特点：画面质量要求不高，硬件设备成本低；需要存储空间小，特征简单；匹配速度较快，算法简单。但是手形数据不是很丰富，对于识别效果不是很好，区分度不高：随着时间年龄变化，手形并不具有永久不变性。
2. 掌纹识别：
手掌是人体手部较大的一个区域，掌纹就手掌上面深浅纹路和褶皱的总称，古代常把掌纹用于命相学研究，说明掌纹可以作为手部特征之一进行有关于生物识别方面的研究。
当前阶段，在美国、日本、英国等发达国家，掌纹识别技术已经进入到实用性阶段，2006年，富士通面向全球推出掌纹识别系统，并在手持移动设备上应用；日本将掌纹识别系统应用在ATM机上面，在美国，医院、警察局等一些相关部门也都启用了手掌识别系统。在国内，虽然研究和发展相对较晚，但却
- 16 -
有较快的发展速度，主要的应用方面有：近年来。在上海出现的道肯奇掌纹识别系统，仅限于都与高档住宅小区的门锁系统和国际机场的门禁系统，在2006年的下班年中，中国科学院开发出了三套基于网络摄像头的非接触式的掌纹自动识别系统、基于PDA平台的掌纹识别系统和在背景固定条件下的自由式掌纹识别系统。
掌纹识别的主要特点：与指纹识别相比，掌纹识别和案件诉讼等的关联性比较小，容易被用户接受；掌纹的面积比较大，涵盖着足够多的信息，能够更好的进行区分；主要特征明显且稳定，不容易受到噪声干扰；因为受伤等外界因素而影响采集图像质量的可能性小。
3. 手形与手掌特征比较：
从下面表格我们可以知道，手掌与手形在特征处理方面有着各自的优缺点，而我们采用双模态融合可以弱化其缺点。下面就对“手形+掌纹”组合中的两种生物特征进行比较分析：
表3-1 手形与掌纹特征比较
Table3-1 Comparison of the hand feather and palmprint feather 图像品质 防伪性能 预处理 特征处理 准确性 手形特征 较好 一般 简单，快速 简单，快速 低 手掌特征 一般 很好 复杂，耗时 复杂，耗时 高
3.2 手形轮廓特征提取与掌纹预处理
3.2.1 手形轮廓特征提取
边缘通常是指图像在该位置处其灰度值突然改变的像素点所构成的集合，想要提取出来我们所感兴趣的手部特征，先要得到手形轮廓边缘像素点的集合，提取滤波后的边缘像素[12]。
使用八邻域边界跟踪算法提取手部轮廓。首先找到物体区域范围内最上角
- 17 -
的一个边界点作为起点进行搜索，查看它的八邻域的点，从右下方45度位置开始寻找，按逆时针方向，自上而下、自左而右进行搜索，不断重复进行，直到回到搜索起点，见图3-1。
32140567 图3-1 八邻域方向网
Pig3-1 Eight neighborhood direction network
如果图像中任意一点和它的八邻域点的像素值都是0，则设置该点的像素值为1，如公式3-1所示，假设g(i,j)是图像处理后在(i,j)点的灰度值，f(i,j)表示原图像在该点的灰度值，f8(i,j)是指八邻域内每一像素点的灰度值。采用上述提取轮廓的方法，最后得出手形轮廓的图像[13]。
?1g(i,j)???0f(i,j)??0&&f(i,j)??0 （3-1）
others手形特征点是指能够从手形图像中区分人们身份且具有标志性的点，这些点主要有指根点、指尖点以及手掌上下边缘点等，用这些特征点进行手形识别，所以对于特征点的定位尤其重要。本文主要是提取手指指尖点与指根点的手形特征点进行研究。上一章中对手部轮廓的提取已经有了描述。在对手形定位时，大拇指相对灵活，本文主要是采取除了拇指以外的其他手指进行研究，再经过下面几个步骤进行处理：
首先，经过灰度转化，二值化与滤波等操作，已经得到了手形轮廓的图像。 再次，分别假设中指指间和食指间的谷底P1点和小拇指与无名指指间的谷底P2点。
最后，做出P1与P2点间的垂直平分线，随便在P1P2的垂直平分线直线上选取一点，过这点做垂直于其平分线的直线，并且仅与手部轮廓分别交于C1
- 18 -
和C2两点。提取出C1C2之间包括四指的手部轮廓曲线和切割线。作为手形的特征区域，见图3-2。
图3-2 手形特征提取
Pig3-2 Hand shape feature extraction
手部轮廓定位完成后，做一条平行于X轴线的直线，与除拇指外的其他四指的边缘相交于八个点，以任意一点向上或者向下进行搜索，记录出手形区域内曲率变化最大的点，并确定手指的指尖点与指跟点。曲率主要是表示其曲线的弯曲程度参数，在手形轮廓中按照曲率的数学表达式计算会特别的复杂，在本文中，主要采用近似的方法进行求解。通过观察可以知道，其指尖或者指跟的弯曲程度最大，而其他部分相对来说比较平滑[14]。如图3-3所示：
图3-3 曲率的计算
Pig.3-3 Calculation of curvature
F点是手部轮廓上指跟或者指尖上任意点，其中?(s)代表点F两侧向量的FF1与FF2之间的夹角[15]，其计算公式如3-2所示：
?(s)?arcc?os
- 19 -
?FF1?FF2??FF?FF?1? （3-2） 2??