一種基于人臉特征和掌紋特征融合的身份識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識別中的生物特征識別領(lǐng)域，主要涉及一種基于單幅圖像的人臉 特征和掌紋特征融合的身份識別方法。
【背景技術(shù)】
[0002] 生物特征識別技術(shù)是利用人體本身所固有的物理特征或者行為特征，通過圖像處 理和模式識別等方法來鑒別個人身份的技術(shù)。用于生物特征識別的生物特征必須滿足以 下四個條件：普遍性，即每個人自身都具有該特征；唯一性，也稱作可辨別性，即任何一個 人所具有的該特征跟其他人都不相同；可測量性，即該特征在一定技術(shù)條件下可具體測量； 穩(wěn)定性，即該特征至少在一段時間內(nèi)能夠保持不變。同時，實際的生物特征識別系統(tǒng)一般還 需要具有較高的辨別能力，即可以實現(xiàn)很高的識別率，較高的用戶接受度等以及較強的防 欺騙性特點。目前，生物特征識別技術(shù)主要有指紋、人臉、虹膜、掌紋、手形以及靜脈等。
[0003] 人臉識別是最為常見的一種生物特征識別技術(shù)，是一種直接、友好、方便、對使用 者無任何心理障礙的識別方法，有著普遍性強，穩(wěn)定性一般，可采集行強，分辨能力弱，易接 受性強，防止欺騙性弱的特點。目前主流的人臉識別方法如下：
[0004] (1)、基于幾何特征的方法：檢測臉部器官如眼睛、眉毛、鼻子、嘴巴和下巴等，利用 各個器官的位置、大小及相互之間的空間分布關(guān)系來識別人臉；
[0005] (2)、基于子空間的方法：將人臉圖像經(jīng)過投影變換投射至子空間中，由于投影變 換具有非正交、非線性的特性，因此子空間中的人臉表示更具分辨力；
[0006] (3)、基于局部特征的方法：利用各類局部算子計算出相應(yīng)的人臉圖像，通過統(tǒng)計 其直方圖，利用直方圖信息進行識別。
[0007] 掌紋識別技術(shù)是由中國學(xué)者首先提出來的并在研宄方面一直保持領(lǐng)先水平的一 種主流生物特征識別技術(shù)，具有分辨能力強，易接受性強，防止欺騙性較強的特點。經(jīng)過多 年的研宄和開發(fā)，掌紋識別技術(shù)已日臻成熟，已具備了規(guī)模產(chǎn)業(yè)化的條件。
[0008] 掌紋的識別過程中可以利用的特征信息包括三大主線特征、幾何特征、褶皺特征 及掌紋中心三角區(qū)域等；識別的算法也有基于掌線、基于紋理、基于相關(guān)、基于表征、基于方 向特征等幾大類。識別的整體過程也相類似的包含了掌紋ROI區(qū)域（即掌紋圖像感興趣區(qū) 域）分割、歸一化、特征提取和匹配識別幾個階段。
[0009] 和其他生物特征識別技術(shù)相比，人臉特征的社會性、直觀性，使其在同時具有既可 以被計算機識別，也可以被人眼識別的特點，具有其他生物特征識別技術(shù)不可替代的特性。 但是單模態(tài)的人臉識別技術(shù)在光照不足、面貌修飾等情況下，識別準(zhǔn)確率不夠高，難以滿足 應(yīng)用的精度要求。目前，單模態(tài)的掌紋認(rèn)證技術(shù)的識別準(zhǔn)確率很高，但是掌紋比較難以采 集，特征的公開性、社會性不足，人眼難以分辨出掌紋對應(yīng)人的身份。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明是針對現(xiàn)有的單模態(tài)識別技術(shù)存在的不足，提出一種基于人臉特征和掌紋 特征融合的身份識別方法，以期能對人臉特征和掌紋特征進行融合，從而提高身份識別正 確率和適用性的同時，保證安全性。
[0011] 本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案：
[0012] 本發(fā)明一種基于單幅圖像的人臉和掌紋多模態(tài)特征融合的身份識別方法的特點 是按如下步驟進行：
[0013] 步驟1、假設(shè)存在由N幅訓(xùn)練圖像組成的圖像數(shù)據(jù)庫C = {Cl，C2，…，Cn，…，cN}，C n 表示第η幅訓(xùn)練圖像；I < η < N ;所述第η幅訓(xùn)練圖像cn中包括同一個人的互不重疊的人 臉圖像fn和手掌圖像P n;
[0014] 步驟2、對所述第η幅訓(xùn)練圖像Cn中的人臉圖像fn采用Haar特征和Adaboost分 類器進行檢測和分割，獲得第η幅人臉區(qū)域< ;
[0015] 步驟3、對所述第η幅人臉區(qū)域r/進行歸一化處理，獲得第η幅人臉歸一化區(qū)域 R:, '
[0016] 步驟4、對所述第η幅訓(xùn)練圖像Cn中的手掌圖像ρ "利用膚色分割方法進行檢測， 獲得第η幅手掌區(qū)域r/;
[0017] 步驟5、對所述第η幅手掌區(qū)域< 進行歸一化處理，獲得第η幅手掌歸一化區(qū)域 R;:·，
[0018] 步驟6、對所述第η幅人臉歸一化區(qū)域/?'利用LBP特征算子進行人臉LBP特征的 提取，獲得第η幅人臉特征直方圖;
[0019] 步驟7、對所述第η幅手掌歸一化區(qū)域C進行MWLD掌紋特征的提取，獲得第η幅 掌紋特征直方圖F/;
[0020] 步驟8、重復(fù)步驟2-步驟7,從而獲得N幅訓(xùn)練圖像庫C的人臉特征直方圖集合 #={<,垮,."^/，."埒}和掌紋特征直方圖/^={片 1,/^，."，/,".校};
[0021] 步驟9、采集檢測圖像E ;所述檢測圖像E中包括同一個人的互不重疊的人臉圖像 fE和手掌圖像ΡΕ;
[0022] 步驟10、對所述檢測圖像E按照步驟2-步驟7進行處理，獲得檢測圖像E的人臉 特征直方圖F e和掌紋特征直方圖F p;
[0023] 步驟11、利用卡方距離分別計算所述檢測圖像E的人臉特征直方圖Fe與所述人臉 特征直方圖集合F =(<,#,···,<，···^}中每個人臉特征直方圖的距離，并進行歸一化 處理獲得人臉特征距離集介,?//.ν2', 的人臉特征直方圖匕與所述第η幅人臉特征直方圖F/的人臉特征距離；
[0024] 步驟12、利用卡方距離分別計算所述檢測圖像E的掌紋特征直方圖Fp與所述掌紋 特征直方圖，…，/，…抆}中每個掌紋特征直方圖的距離，并進行歸一化處理 獲得掌紋特征距離集合;也丨表示所述檢測圖像E的掌紋 特征直方圖&與所述第η幅掌紋特征直方圖F/的掌紋特征距離；
[0025] 步驟13、對所述人臉特征距離集合D/5"7 = 也,丨和掌紋特征 距離集合~[啤·'〃/<}進行自適應(yīng)加權(quán)融合處理，將融合后的特征距 離按升序排列，獲得最優(yōu)特征距離集合DIS_;
[0026] 步驟14、若所述最優(yōu)特征距離集合DIS_中的任一元素都大于所設(shè)定的閾值，則 表示身份識別失敗，否則，識別成功，返回所述最優(yōu)特征距離集合DIS_中最小距離所對應(yīng) 人的身份信息。
[0027] 本發(fā)明所述的基于單幅圖像的人臉和掌紋多模態(tài)特征融合的身份識別方法的特 點也在于，所述步驟7是按如下步驟進行：
[0028] 步驟7. 1、利用MFRAT算法獲得所述第η幅訓(xùn)練圖像Cn的手掌紋歸一化區(qū)域％的 能量圖t和方向圖
[0029] 步驟7. 2、定義映射范圍為（_ π /2, π /2);將所述映射范圍等分劃分為1個區(qū)間； [0030] 步驟7.3、定義一個像素為sXs的矩形窗口 W1,，s > 1，且s為奇數(shù)；用所述窗口 1對所述第η幅訓(xùn)練圖像c "的能量圖由左上角按照從左到右，從上到下的順序掃描；在 掃描過程中，對任意個s X s的矩形區(qū)域，s > 1，且s為奇數(shù)，按步驟7. 4和步驟7. 5進行處 理：
[0031] 步驟7. 4、將所述矩形區(qū)域的中心點像素值分別與所述矩形區(qū)域內(nèi)的其他點的像 素值進行求差計算，獲得的差值進行累加后得到累積差異值；將所述累加差異值除以所述 矩形區(qū)域的中心點像素值后獲得差值比率；對所述差值比率進行反正切函數(shù)計算，獲得優(yōu) 化后的中心點像素值；
[0032] 步驟7. 5、將所述優(yōu)化后的中心點像素值映射到所述1個區(qū)間中，獲得所述優(yōu)化后 的中心點像素值所在的區(qū)間；
[0033] 步驟7. 6、從而獲得所述第η幅訓(xùn)練圖像~的能量圖C中每個像素點在所述1個 區(qū)間中所在的區(qū)間；
[0034] 步驟7. 7、定義方向范圍為（0, 2 π );將所述方向范圍等分劃分為m個區(qū)間；
[0035] 步驟7. 8、將所述第η幅訓(xùn)練圖像~的方向圖2；"中的每個像素點映射到所述m個 區(qū)間中，獲得每個像素點所在的區(qū)間；
[0036] 步驟7. 9、將所述第η幅訓(xùn)練圖像~的能量圖f中每個像素點在所述1個區(qū)間中 所