非接触式快速人手多模态信息融合识别方法

摘要

本发明提供一种非接触式快速人手多模态信息融合识别方法，其特征在于：所述方法的具体步骤如下：（1）人手图像采集；（2）手形关键特征点定位；（3）手形特征向量提取；（4）掌纹ROI区域定位与特征向量提取；（5）设定阈值进行手形特征一次匹配，获得被选人员；（6）使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，给出最终判断；本发明是一种使用方便的、快速的、对人体无伤害、无疾病传播、识别速度快的、能够提高系统识别率和稳定的性的基于手形和掌纹的多模态生物特征的个人身份识别方法。

权利要求

1.一种非接触式快速人手多模态信息融合识别方法，其特征在于：所述方法的具体步骤如下：（1）人手图像采集；

将人手自然张开，放在摄像头前一个可变的范围内；

（2）手形关键特征点定位；

对除大拇指以外的其余四个手指提取指尖及指根点；

（3）手形特征向量提取；

取每个手指指跟两侧点连线的中点作为每个手指的指跟点，然后计算它们到相应指尖点的长度作为四个手指的绝对长度，计算各个手指绝对长度之间的相对长度，构成特征向量；

（4）掌纹ROI区域定位与特征向量提取；

获取掌纹ROI图像区域，生成0°、45°、90°、135°四个方向的2D-Gabor滤波器组，将尺寸和灰度归一化后的掌纹ROI图像(F)分别与4个方向的Gabor滤波器的实部Gr与虚部Gi分别作卷积运算，将卷积运算后的计算结果形成0-1编码作为掌纹特征向量； （5）设定阈值进行手形特征一次匹配，获得被选人员；

所述的进行手形特征一次匹配是用所提取的特征，计算欧式距离进行匹配，采用最近邻分类方法分类；获得满足某个阈值下的多个被选人员；

（6）使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，给出最终判断；

根据2D-Gabor滤波器获得的掌纹特征向量，通过匹配算法对有手形匹配后所得到的被选人员进行最终的鉴别。

2.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：“（3）”步骤中所述的相对长度为六个，分别是食指长度与中指长度；食指长度与无名指长度；食指长度与小指长度；中指长度与无名指长度；中指长度与小指长度；无名指长度与小指长度。

3.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：“（5）”步骤中的具体操作为：用手形识别的方法对待识别人员的手掌图像进行一次匹配，得到手指相对长度的欧氏距离Mi(i=1,2,…n),根据手形的等误率曲线设定阈值Thand，当Mi

4.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：所述的人手图像采集是在人手自然张开、非接触、非固定位置的采集条件下进行的。

5.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：“（2）”步骤中的所述的指尖及指根点为食指、中指、无名指和小指的四个指尖点；食指、中指、无名指和小指之间的三个指跟点以及四个手指的指根两侧的八个点。

6.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：获取掌纹ROI图像区域的具体步骤为：利用食指与中指之间的指跟点和中指与无名指之间的指跟点两点的连线及其中点垂线为坐标轴建立新的坐标系，采用相对长度L截取方形掌纹有效区域，根据新坐标系及原坐标系之间的角度关系将图像旋转，经过缩放归一化大小为128*128的图像。

7.根据权利要求1所述的非接触式快速人手多模态信息融合识别方法，其特征在于：步骤“（6）”中使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，得到掌纹图像经过2D-Gabor方向滤波的汉明距离Hi(i=1,2,…l),求出最小距离Hmin，根据手形的等误率曲线设定阈值Tpalm，当Hmin

说明书

非接触式快速人手多模态信息融合识别方法

技术领域

[0001] 本发明属于生物特征身份识别技术领域，具体涉及一种非接触式手形、掌纹和手掌静脉图像采集和多模态识别技术，也就是非接触式快速人手多模态信息融合识别方法。

背景技术

[0002] 安全可靠的个人身份认证是避免和抑制公共安全事件发生的一个重要环节，而当今社会，银行金库巨额现金频频被盗、被冒领；防盗门难以阻挡窃贼的到访；恐怖分子持假护照蒙骗海关以及网络窃密等事件的发生，都体现了钥匙、证件、密码作为个人身份代码，容易被窃取、伪造和盗用，不安全，所以，公共安全迫切需要安全可靠的个人身份认证。另外，生产生活需要安全可靠的个人身份认证，如自动考勤系统提高管理效率。

[0003] 生物特征信息能够唯一表示个人身份。在《2006-2020年国家中长期科学和技术发展规划纲要》中，生物特征识别分别被列为公共安全专题和前沿技术专题中的一项重要研究内容。起初的研究者都是专注于人类的某一种生物特征，无论是当前可用的生物特征，例如脸像、指纹、虹膜、手形、视网膜、语音等还是目前正处于研究状态的生物特征，例如步态、耳廓、气味、脸部温谱、手的静脉结构等以及未来可能要研究的生物特征，例如，DNA，在出生时进行注册。但是，在开始以多模态生物特征作为研究对象来识别身份的研究之前，似乎一直被忽略的是，人类自身区分认识或不认识的人、熟悉或不熟悉的人，并不是依靠某个单一特征的判断，而是对多个特征进行的综合判断，与对象相处的次数越多，识别越准确，甚至不需要观察对象的头部正面人暴露在外的特征最集中的部位。

[0004] 其实现有的研究和实际应用表明，无论是基于指纹、虹膜、脸像，还是基于掌纹、手形、声音的生物特征识别技术，都已经在一些特定的或具体的领域得到了使用，并且因为其各自独特的生物特性，在某些方面甚至表现出及其出色的性能。但是同样不可否认的是，这些基于单一生物特征的身份识别由于各种各样因素的限制（部分是因为现有的技术条件，部分是因为生物特征本身固有的性质），在实际应用中都面临现实的问题，使得各种生物特征识别技术的优点和缺点同样突出，也就使得目前的识别技术识别不够准确且效果不是很好，且原始的识别技术需要直接接触识别设备，容易造成疾病的传播以及对人体的损害，而且原始的识别技术识别速度慢，识别率不是很高，稳定性也较差。

发明内容

[0005] 发明目的：本发明提供一种非接触式快速人手多模态信息融合识别方法，其目的是解决现有的识别技术速度慢、识别率不是很高、稳定性较差以及效果不是很好的问题。

[0006] 技术方案：本发明是通过以下技术方案来实现的：

[0007] 一种非接触式快速人手多模态信息融合识别方法，其特征在于：所述方法的具体步骤如下：

[0008] （1）人手图像采集；

[0009] 将人手自然张开，放在摄像头前一个可变的范围内；

[0010] （2）手形关键特征点定位；

[0011] 对除大拇指以外的其余四个手指提取指尖及指根点；

[0012] （3）手形特征向量提取；

[0013] 取每个手指指跟两侧点连线的中点作为每个手指的指跟点，然后计算它们到相应指尖点的长度作为四个手指的绝对长度，计算各个手指绝对长度之间的相对长度，构成特征向量；

[0014] （4）掌纹ROI区域定位与特征向量提取；

[0015] 获取掌纹ROI图像区域，生成0°、45°、90°、135°四个方向的2D-Gabor滤波器组，将尺寸和灰度归一化后的掌纹ROI图像(F)分别与4个方向的Gabor滤波器的实部Gr与虚部Gi分别作卷积运算，将卷积运算后的计算结果形成0-1编码作为掌纹特征向量； [0016] （5）设定阈值进行手形特征一次匹配，获得被选人员；

[0017] 所述的进行手形特征一次匹配是用所提取的特征，计算欧式距离进行匹配，采用最近邻分类方法分类；获得满足某个阈值下的多个被选人员；

[0018] （6）使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，给出最终判断；

[0019] 根据2D-Gabor滤波器获得的掌纹特征向量，通过匹配算法对有手形匹配后所得到的被选人员进行最终的鉴别。

[0020] “（3）”步骤中所述的相对长度为六个，分别是食指长度与中指长度；食指长度与无名指长度；食指长度与小指长度；中指长度与无名指长度；中指长度与小指长度；无名指长度与小指长度。

[0021] “（5）”步骤中的具体操作为：用手形识别的方法对待识别人员的手掌图像进行一次匹配，得到手指相对长度的欧氏距离Mi(i=1,2,…n),根据手形的等误率曲线设定阈值Thand，当Mi

[0022] 所述的人手图像采集是在人手自然张开、非接触、非固定位置的采集条件下进行的。

[0023] “（2）”步骤中的所述的指尖及指根点为食指、中指、无名指和小指的四个指尖点；食指、中指、无名指和小指之间的三个指跟点以及四个手指的指根两侧的八个点。

[0024] 获取掌纹ROI图像区域的具体步骤为：利用食指与中指之间的指跟点和中指与无名指之间的指跟点两点的连线及其中点垂线为坐标轴建立新的坐标系，采用相对长度L截取方形掌纹有效区域，根据新坐标系及原坐标系之间的角度关系将图像旋转，经过缩放归一化大小为128*128的图像。

[0025] 步骤“（6）”中使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，得到掌纹图像经过2D-Gabor方向滤波的汉明距离Hi(i=1,2,…l),求出最小距离Hmin，根据手形的等误率曲线设定阈值Tpalm，当Hmin

[0026] 优点及效果：本发明提供一种非接触式快速人手多模态信息融合识别方法，其特征在于：所述方法的具体步骤如下：

[0027] （1）人手图像采集

[0028] 将人手自然张开，放在摄像头前一个可变的范围内；

[0029] （2）手形关键特征点定位

[0030] 对除大拇指以外的其余四个手指提取指尖及指根点；

[0031] （3）手形特征向量提取

[0032] 取每个手指指跟两侧点连线的中点作为每个手指的指跟点，然后计算它们到相应指尖点的长度作为四个手指的绝对长度，计算各个手指绝对长度之间的相对长度，构成特征向量

[0033] （4）掌纹ROI区域定位与特征向量提取

[0034] 获取掌纹ROI图像区域，生成0°、45°、90°、135°四个方向的2D-Gabor滤波器组，将尺寸和灰度归一化后的掌纹ROI图像(F)分别与4个方向的Gabor滤波器的实部Gr与虚部Gi分别作卷积运算，将卷积运算后的计算结果形成0-1编码作为掌纹特征向量；

[0035] （5）设定阈值进行手形特征一次匹配，获得被选人员

[0036] 所述的进行手形特征一次匹配是用所提取的特征，计算欧式距离进行匹配，采用最近邻分类方法分类；获得满足某个阈值下的多个被选人员。

[0037] （6）使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，给出最终判断；

[0038] 根据2D-Gabor滤波器获得的掌纹特征向量，通过匹配算法对有手形匹配后所得到的被选人员进行最终的鉴别。

[0039] 本发明为一种多模态生物特征识别技术，多模态生物特征识别成为目前生物特征识别研究的主要方向，本发明正是为了解决在生物特征识别的研究中遇到的困难以及在推向实际应用的过程中面临的问题和需要而作出的自然的选择。本发明给身份识别提供了更加丰富的特征信息，能够在提高识别准确性与可靠性的同时增加识别的鲁棒性。不仅如此，嵌入数据融合的多生物特征识别依靠其更高的数据容量和更好的抗伪性，作为安全且可以信任的身份等价物，将推动生物特征识别技术在社会安全方面的不断发展和应用。

[0040] 人手掌上的掌纹特征非常丰富，可用于身份识别的基本特征包括：1）主线特征，掌纹上的三条主线，分别称为生命线、感情线和智慧线；2）褶皱特征，指比主线细、浅的褶皱线；3）细节点特征，指手掌上布满的和指纹一样的乳突纹；4）三角点特征，指乳突纹在手掌上形成的三角区域的中心点。

[0041] 以上这些都是掌纹的基本特征，通过选择合适的方法提取出来，就可以进行身份鉴别了。而且与其他的生物识别技术相比具有很多的特点，1）手掌区域比较大，比指纹含有更丰富的信息；2）主线和褶皱线特征明显，可以在低分辨率的掌纹图像中提取出来；3）采集设备简单易行，识别速度快，且成本远低于虹膜识别的采集设备；4）与手形、签名相比掌纹特征唯一性更强、更稳定。因此，掌纹识别是一种很有发展潜力的身份识别方法[0042] 手形识别技术中手形识别系统所利用的特征为手指或手掌的三维立体形状，如长度、宽度、厚度和手掌表面区域等。手形特征稳定性高，不易随外在环境或生理的变化而改变，使用方便，所以广泛应可用于门禁、考勤和身份认证领域。

[0043] 手形识别所用的识别特征简单，装置占用空间小，可以在低分辨率图像中提取出来，所需的计算量很小，同时，手形识别系统的用户接受率很高。

[0044] 如上所述，本发明考虑到掌纹和手形的生理结构，可以通过单一采集设备进行非接触式采集，从而可以进行多生物特征识别。它的优势在于，1）与其它多生物特征识别相比，基于人手的多生物特征识别不用进行多次采样，降低了采集设备的成本，也减少了用户的麻烦，而且采用非接触式方式进行图像采集，将不会对身体产生伤害，包括疾病的传播，大大提高了用户的接受程度；2）与单一的生物识别技术相比，具有更丰富的生物特征信息，将这些特征融合起来势必会提高识别率，而且稳定性和鲁棒性也会相应提高。

[0045] 本发明是一种使用方便的、快速的、对人体无伤害、无疾病传播、识别速度快的、能够提高系统识别率和稳定的性的基于手形和掌纹的多模态生物特征的个人身份识别方法。本发明的优点在于能够更好的利用手形和掌纹识别的优点，即手形识别速度快，掌纹识别率高；克服原有技术的缺点。这样，首先通过手形识别快速的选出少数被选人员，然后再从这少数被选人员中利用掌纹识别准确的识别出最终结果，从而有效的提高身份识别系统的速度和识别率。

[0046] 附图说明：

[0047] 图1是本发明的方法步骤的流程框图；

[0048] 图2是本发明的手形特征点定位过程图；其中图2-1为指尖点区域粗定位图；图2-2为指根点区域粗定位图；图2-3为曲率的计算图；图2-4为指尖点区域定位图；图2-5为指根点区域定位图；图2-6为定位指尖点和指根点示意图；图2-7为寻找指跟内侧点过程示意图；图2-8为四指内侧指跟点示意图；图2-9为全部指跟点示意图；

[0049] 图3是本发明的手形与掌纹特征提取示意图；其中图3-1为手形特征提取图；图3-2为掌纹特征提取图；

[0050] 图4是本发明的手形匹配分布图和等错误率曲线图；其中图4-1为手形匹配分布图；图4-2为等错误率曲线图；

[0051] 图5是本发明的掌纹匹配分布图和等错误率曲线图；其中图5-1是掌纹匹配分布图；图5-2是等错误率曲线图。

[0052] 具体实施方式：下面结合附图对本发明做进一步的说明：

[0053] 本发明提供一种非接触式快速人手多模态信息融合识别方法，其特征在于：所述方法的具体步骤如下：

[0054] （1）人手图像采集；

[0055] 将人手自然张开，放在摄像头前一个可变的范围内；所述的人手图像采集是在人手自然张开、非接触、非固定位置的采集条件下进行的。

[0056] （2）手形关键特征点定位；

[0057] 对除大拇指以外的其余四个手指提取指尖及指根点；指尖及指根点为食指、中指、无名指和小指的四个指尖点和它们之间的三个指跟点以及四个手指的指根两侧的八个点。

[0058] （3）手形特征向量提取；

[0059] 取每个手指指跟两侧点连线的中点作为每个手指的指跟点，然后计算它们到相应指尖点的长度作为四个手指的绝对长度，计算各个手指绝对长度之间的相对长度，构成特征向量；所述的相对长度为六个，分别是食指长度与中指长度；食指长度与无名指长度；食指长度与小指长度；中指长度与无名指长度；中指长度与小指长度；无名指长度与小指长度。

[0060] （4）掌纹ROI区域定位与特征向量提取；

[0061] 获取掌纹ROI图像区域，生成0°、45°、90°、135°四个方向的2D-Gabor滤波器组，将尺寸和灰度归一化后的掌纹ROI图像F分别与4个方向的Gabor滤波器的实部Gr与虚部Gi分别作卷积运算，将卷积运算后的计算结果形成0-1编码作为掌纹特征向量；如图3-2所示，获取掌纹ROI图像区域时，利用食指与中指之间的指跟点和中指与无名指之间的指跟点两点的连线及其中点垂线为坐标轴建立新的坐标系，采用相对长度L截取方形掌纹有效区域，根据新坐标系及原坐标系之间的角度关系将图像旋转，经过缩放归一化大小为
128*128的图像。

[0062] （5）设定阈值进行手形特征一次匹配，获得被选人员；

[0063] 所述的进行手形特征一次匹配是用所提取的特征，计算欧式距离进行匹配，采用最近邻分类方法分类；获得满足某个阈值下的多个被选人员；也就是说用手形识别的方法对待识别人员的手掌图像进行一次匹配，得到手指相对长度的欧氏距离Mi(i=1,2,…n),根据手形的等误率曲线设定阈值Thand，当Mi

[0064] （6）使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，给出最终判断；

[0065] 根据2D-Gabor滤波器获得的掌纹特征向量，通过匹配算法对有手形匹配后所得到的被选人员进行最终的鉴别；也就是说使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，得到掌纹图像经过2D-Gabor方向滤波的汉明距离Hi(i=1,2,…l),求出最小距离Hmin，根据手形的等误率曲线设定阈值Tpalm，当Hmin

[0066] 图1是非接触式快速人手多模态信息融合识别方法的流程图，包括人手图像采集、手形特征点定位、手形和掌纹特征向量提取、手形特征一次粗匹配获得被选人员、掌纹特征细匹配获得最终识别结果等步骤。

[0067] 其中图像采集过程使用单一背景，只需要人手自然张开，放在摄像头前一个可变的范围内。

[0068] 图2是手形特征点定位过程图。具体实现步骤如下：

[0069] (1)在处理后的二值图像上，根据轮廓跟踪算法从手掌图像最右端从上至下搜索第一个轮廓点作为起始点，按逆时针方向跟踪轮廓的8邻域链码信息，记录轮廓边界点坐标。然后，以轮廓点为中心生成半径为9像素的模板圆，计算模板圆内目标像素个数N(即手掌部分在模板圆内的面积)来粗定位指尖点、指根点的链码区域。当N<120时，粗定位出指尖点的链码区域，当N>150时，粗定位出指根点的链码区域。如图2－1、2－2所示。

[0070] (2)在粗定位过程中，在手指上和手腕附近存在一些噪声点，对于这些噪声点，利用噪声点在链码上前后相邻R处的两个轮廓点与该点形成的夹角ζ(s)来加以排除。

[0071] 曲率是用于平衡曲线弯曲程度的参数，如图2－3中所示，ζ(s)代表F点两侧向量FF1和FF2之间的夹角，夹角越大表示该点的曲率越小，曲线弯曲程度越小；夹角越小，表示该点的曲率越大，曲线弯曲程度越大。计算公式如下：

[0072](1)

[0073] 通过曲率的方法，排除了噪声点的干扰，得到了较为准确的指尖点和指根点的链码区域，如图2－4、2－5所示。

[0074] (3)根据指根点区域链码上的跳变点将指根点区域分区，选择每个链码区域的中间点为指根点，记录3个指根点在轮廓链码中的位置以及在图像中的坐标。同理，记录4个指尖点在轮廓链码中的位置以及在图像中的坐标。如图2－6所示。

[0075] (4) 如图2－6所示，在已确定的指根点C1、C2、C3处沿手形轮廓向前扫描若干像素点，分别为Ci1(i = 1,2,3)；向后扫描若干像素点，分别为Ci2 (i = 1,2,3)，以指根点C2为例，连接点C2和C21，C2和C22，得到直线C2C21，C2C22，如图2－7所示。在点C2和C21之间的手形轮廓上，寻找距线段C2C21最远的点V2D；在点C2和C22之间的手形轮廓上，寻找距线段C2C22最远的点V3U。指根点C1，C3处做相同的操作，从而得到指根点ViU (i = 2,3,4),ViD (i = 1.2.3)，如图2－8所示。

[0076] (5)定位食指和小指的外边界指根点。以食指为例，连接点T1和C1，得到直线T1C1，以T1为圆心，| T1C1|为半径沿逆时针方向画圆，与手形轮廓的第一个交点即为食指的外边界点。小拇指做类似处理得到外边界点。从而寻找到了四指的全部指根点ViU、ViD(i =1.2.3,4)，结果如图2－9。

[0077] 图3是手形和掌纹特征提取示意图。

[0078] 手形特征定位中已经寻找到了四指的指尖点和8个指根点。连接每个手指的两侧指根点，即食指的指根连线，中指的指根连线，无名指的指根连线，小指的指根连线。计算其每条线段的中点坐标并和相应的指尖点连线，将这四个长度作为四个手指的绝对长度。然后计算各个手指绝对长度之间的相对长度，构成特征向量(包括6个相对长度)。分别是食指长度/中指长度；食指长度/无名指长度；食指长度/小指长度；中指长度/无名指长度；中指长度/小指长度；无名指长度/小指长度。构成的特征向量为di( i=1,2,…6)。四个手指长度如图3－1所示。

[0079] 掌纹的特征定位实际上就是截取掌纹的感兴趣区域（ROI），利用已确定的指根点C1、C3，这里指根点C1用A表示，指根点C2用B表示，由于采用非接触式的采集方法，因此手掌成像大小是变化的，需采用相对长度L(A、B两点间距离)截取方形掌纹有效区域。以A、B两点连线及其中点垂线为坐标轴建立新的坐标系，根据新坐标系及原坐标系之间的角度关系将图像旋转，在旋转后的图像中，距离AB连线l( l=L/5) 处，以L为边长截取方形区域，经过缩放归一化大小为128*128的图像，如图3－2所示。

[0080] 使用不同方向的2D-Gabor滤波器对掌纹图像进行滤波提取掌纹纹线的方向信息。包括如下步骤：

[0081] (1)通过实验，选择适当u、σ等参数值，生成0°、45°、90°、135°四个方向的2D-Gabor滤波器组。

[0082] (2)将尺寸和灰度归一化后的M×M大小的掌纹ROI图像F分别与4个方向的Gabor滤波器的实部Gr与虚部Gi分别作卷积运算。

[0083] (2)

[0084] (3)

[0085] (3)将卷积运算后的计算结果形成0-1编码，编码规则如下：

[0086] (4)

[0087] (5)

[0088] (6)

[0089] (7)

[0090] 最终获得掌纹特征编码。

[0091] 实施例：

[0092] 本发明采用130万像素MVC-Ⅱ-3M摄像头、8mm的C接口工业镜头、单一颜色背景板构成简易非接触式采集装置，摄像头与背景板周围无遮挡(均匀光照条件下手掌上无明显的反射光斑)。拍摄图像时，令手自然张开，与镜头的表面平行即可。采集图像时掌心向上平放在背景板前，摄像头置于手掌的垂直上方。根据实验需要，建立了如下两个实验图库。

[0093] (1)调节摄像头的焦距，使镜头上呈现较清晰的手掌图像，记录镜头与背景板之间的距离，这个位置称为聚焦面位置。采集30人的右手手掌图像，每人10幅，图像分辨率为640*480。在香港科技大学提供的手形数据库中抽取70人 ，每人右手10幅图像，这样建立了一个100人的混合图库，将其称为图库1.。如参考文件所示。

[0094] (2)镜头的位置不变，向下移动背景板的位置，每次移动10cm，共移动4次，在每个位置上采集50人的右手手掌图像，每人10幅，图像分辨率为640*480。这样建立一个50人的小型图像库，将其称为图库2，如参考文件所示。

[0095] A 固定距离手掌图像实验

[0096] 1） 手形识别和掌纹识别

[0097] 固定距离的手掌图像实验是在图库1上进行，混合图库中共100人，每人10幅右手图像，共1000幅图像，在每个人拍摄的十幅手掌图像中，以任意三幅手掌图像作为训练样本，其余七幅图像作为测试样本。

[0098] 应用文中手形相对距离算法提取特征，采用欧式距离匹配，采用最近邻分类方法分类。公式如式(8)所示。某用户注册的特征向量是{di,i=1,2…,6}，被测试者的手形特征向量是{di’,i=1,2…,6}，其中i表示特征向量的个数，若被测试者的手形特征向量与用户注册的手形特征向量的欧式距离Distance小于阈值T，判断为同一人的手，否则判断为不同人的手。合法匹配与非法匹配距离分布曲线如图4-1所示，等错误率曲线如图4-2所示，两图的横坐标均为归一化后的欧式距离。

[0099] (8)

[0100] 由实验结果分析可知，利用手指的相对长度进行身份识别，平均匹配时间为0.01443s，在等错误率的情况下识别率仅为82.98％。

[0101] 对于掌纹ROI图像采用2D-Gabor方向滤波的特征提取方法，采用汉明距离DH匹配实验，采用最近邻分类方法分类。P和Q分别表示两个人的掌纹图像经2D-Gabor变换后的M×M大小的编码矩阵，其汉明距离计算公式如式(9)所示， 表示异或运算。合法匹配与非法匹配距离分布曲线如图5-1所示，等错误率曲线如图5-2所示。两图的横坐标均为归一化后的欧式距离。

[0102] (9)

[0103] 由实验结果分析可知，利用掌纹的2D-Gabor方法进行身份识别，在等错误率的情况下识别率可以达到98.04％，但平均匹配时间却为1.87028s。

[0104] 2) 手形和掌纹相结合的组合识别

[0105] 由单独的手形识别和掌纹识别的实验可知，对于手形识别来说，特征矢量即手指的相对长度构成简单，具有可测量性，特征匹配速度快，但手形识别只是以单一的几何矢量构成特征，丢失了手掌丰富的有效信息，特别是当本文中采用非接触式的采集方法时，手指相对长度的可区分度有限。

[0106] 对于采用2D-Gabor方向滤波的掌纹识别来说，充分利用了手掌的纹理信息和相位信息，对于掌纹图像具有很好的区分度，可以得到较高的正确识别率，但与之相对应的是，时间消耗很大，识别速度受到明显影响。

[0107] 手形和掌纹相结合的组合识别方法可以将手形识别匹配速度快的优势和掌纹识别正确识别率高的优势相结合，在非接触式采集方法的前提下，增强识别系统的实用性。具体的方法如下，

[0108] 首先使用手形识别的方法对待识别人员的手掌图像进行一次匹配，得到手指相对长度的欧氏距离Mi(i=1,2,…n),根据手形的等误率曲线设定阈值Thand，当Mi

[0109] 然后，再使用掌纹识别的方法对备选人员的掌纹图像进行一次匹配，得到掌纹图像经过2D-Gabor方向滤波的汉明距离Hi(i=1,2,…l),求出最小距离Hmin，根据手形的等误率曲线设定阈值Tpalm，当Hmin

[0110] 表1 固定距离下三种识别方法的比较

[0111]

[0112] 经过对表1的实验数据分析可知，二者相结合的组合识别方法的时间消耗低于掌纹识别方法，而正确识别率是三种识别方法中最高的。

[0113] B 不同距离手掌图像实验

[0114] 不同距离手掌图像实验是在图库2上进行的，分别计算四个不同位置上三种识别方法的识别率，进而比较在非接触式采集的条件下，三种识别方法的鲁棒性。实验结果如表2所示。

[0115] 表2 不同距离下三种识别方法的比较

[0116]

[0117] 通过分析表2的实验数据，由于手形识别采用的是六个手指相对长度作为特征矢量，所以当图像发生平移时，该方法的识别率相差均在2%以下，说明手指相对长度的方法具有一定的鲁棒性，但该方法的识别率均已经降至85%以下；而对于掌纹识别来说，在近距离时，掌纹图像较清晰，识别率可以达到97%，随着距离的拉远，掌纹图像开始模糊，识别率下降明显，说明基于二维Gabor的掌纹识别方法鲁棒性较差；采用手形和掌纹相结合的组合识别方法时，识别率相差均在1%以下，说明对于不同距离的手掌图像该方法具有较好的鲁棒性，并且识别率均在95%以上。