[發(fā)明專利]掌形圖形提取及識別方法

有效

• 申請?zhí)枺?/td>: 201410709472.4
• 申請日: 2014-11-27
• 公開（公告）號: CN104361339B
• 公開（公告）日: 2018-08-07
• 發(fā)明（設(shè)計）人: 曲寒冰;李濟朝;李彬;靳薇;王加強
• 申請（專利權(quán)）人: 北京市新技術(shù)應(yīng)用研究所;北京北科慧識科技股份有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46
• 代理公司: 北京市金棟律師事務(wù)所 11425
• 代理人: 朱玲

本發(fā)明提供了掌形圖形提取方法，包括：根據(jù)當前掌形圖像提取圖像邊緣信息的概率密度估計值。獲取前景概率密度估計值及背景概率密度估計值。根據(jù)前景概率密度估計值及背景概率密度估計值獲取當前掌形圖像的后驗概率圖譜。通過圖像后驗概率圖譜獲取掌形邊緣信息。根據(jù)前景圖像的后驗概率圖譜及掌形邊緣信息，對當前掌形圖像中的掌形區(qū)域進行圖像分割，提取當前掌形圖像。解決了現(xiàn)有圖像分割技術(shù)難以滿足針對移動終端的掌紋辨識技術(shù)的需要。從而，既保證了切割得準確率也具有較低的計算復(fù)雜度，該方法的切割準確率可以達到90％以上，并可在嵌入式移動終端應(yīng)用，切割速度在500ms以內(nèi)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，尤其涉及掌形圖形提取及識別方法。

背景技術(shù)

隨著社會和經(jīng)濟的不斷發(fā)展，人們對身份鑒別的準確性、安全性與實用性提出了越來越高的要求。傳統(tǒng)的身份鑒別方法，如鑰匙、密碼以及智能卡等，存在容易丟失、遺忘、被復(fù)制及盜用的隱患。而生物識別技術(shù)(biometrics)為身份認證提供了一個方便可靠的解決方案。生物識別技術(shù)是指根據(jù)人的生理特征(如語音、指紋、掌紋、面部特征、虹膜等)或行為特征(如步態(tài)、簽名、擊鍵特征等)來進行身份鑒別的技術(shù)。生物識別技術(shù)以人的生物特征為基礎(chǔ)，以信息處理技術(shù)為手段，具有安全性、有效性和易用性等特點，因此受到人們越來越多的重視。掌紋識別是近些年來新興的一種生物識別技術(shù)。與其它生物特征識別技術(shù)相比，掌紋識別具有很多獨特的優(yōu)勢。相比于指紋，掌紋擁有更大的面積以及更為豐富的紋理信息，只需要較低分辨率的采集設(shè)備就可以構(gòu)建高性能的掌紋識別系統(tǒng)；相比于人臉識別，掌紋識別能輕易地區(qū)分雙胞胎；相比于虹膜，掌紋采集設(shè)備的價格更為低廉；相比于簽名，掌紋的特征更加穩(wěn)定可靠。因此，掌紋識別是一種有著廣泛應(yīng)用前景的生物識別方法，近年來得到了研究人員的廣泛關(guān)注。而手掌圖像的分割在掌紋識別方法中是必不可少的步驟，其分割效果直接關(guān)系到整個識別系統(tǒng)的性能。然而，由于圖像采集條件的變化，例如圖像采集時的光照、視角、攝像設(shè)備的不確定性都可能影響最終的識別效果。因此如何快速準確的對手掌圖像進行分割是掌紋識別中至關(guān)重要的一步。

目前，已經(jīng)存在很多復(fù)雜環(huán)境下的圖像分割技術(shù)，但是針對移動設(shè)備的、可以實際應(yīng)用的手掌分割技術(shù)還較少。現(xiàn)有的應(yīng)用于嵌入式的掌紋圖像分割技術(shù)主要有兩種，一種是利用外部遮擋部件簡化圖像背景，一種是利用特有的傳感器設(shè)計簡化圖像內(nèi)容。這兩種技術(shù)均不適用于針對通用移動設(shè)備(例如，手機，平板電腦等)的掌紋識別技術(shù)。而移動設(shè)備的計算性能又對手掌切割算法的復(fù)雜度提出了較高的要求，要求手掌切割算法既要能夠應(yīng)對各種復(fù)雜的環(huán)境，又要實現(xiàn)簡單，具有較低的計算復(fù)雜度，以滿足普通用戶快速身份識別與認證的需求。例如，目前在計算機領(lǐng)域內(nèi)應(yīng)用比較廣泛的Level Set，GraphCut，Bag-of-Word等圖像分割技術(shù)可以針對各種復(fù)雜的圖像內(nèi)容獲得較好的切割效果，但是這些方法普遍存在計算復(fù)雜度高，訓(xùn)練樣本高等特點，難以在目前的嵌入式設(shè)備中取得良好的應(yīng)用。而經(jīng)典的基于高斯混合模型分類，Otsu算法雖然計算簡單，但是在面對復(fù)雜的圖像內(nèi)容時常常無法獲得準確的圖像分割結(jié)果。

近年來隨著理論研究的深入，概率模型方法已經(jīng)逐漸地深入到了計算機視覺的各個領(lǐng)域，并且取得了很大的成功。與傳統(tǒng)的圖像分割方法相比，概率模型方法假設(shè)模型中的參數(shù)均為隨機變量，并賦予先驗概率分布，然后通過采樣或逼近的方法獲得參數(shù)的后驗概率分布。概率模型方法主要有以下幾個特點：(1)模型中的參數(shù)均被假設(shè)為隨機變量并被賦予概率分布，從而可以達到對模型的不確定性進行建模的目的，增強了算法的魯棒性。(2)通過參數(shù)和模型的后驗概率分布可以對其進行貝葉斯推理，為模型參數(shù)的增加與裁剪提供了堅實的理論依據(jù)，方便進行模型選擇。(3)貝葉斯框架可以方便地引入先驗知識，而先驗概率分布也使得先驗知識以不確定性的方式進入到模型當中，并通過數(shù)據(jù)加以修正。