：本發(fā)明屬于生物特征身份識別技術領域，具體涉及一種在復雜背景和具有一定光照變化條件下，采用非接觸式圖像采集的掌紋識別技術，也就是開放式環(huán)境非接觸采集下的掌紋識別方法。

背景技術：
：當今社會，對個人身份鑒別的需求無處不在，并且與日俱增。傳統(tǒng)的密碼、證件等方式存在較大的安全隱患。尋找一種更為安全、更為方便以及低成本的個人身份識別方式勢在必行?；谌梭w生物特征的身份識別技術具有獨特的優(yōu)勢，也有很大的開發(fā)前景。近些年來也相繼出現了人臉識別、指紋識別、虹膜識別等等進行身份鑒別的生物特征識別技術，在一些特定的領域得到了應用，并且因為各自獨特的生物特征，在某些方面表現出及其出色的性能，但不可否認同樣存在的一定的缺陷和應用領域限制，如人臉識別受到姿態(tài)、光照、眼鏡等裝飾限制使得識別率很難提高，應用環(huán)境受到限制；指紋識別雖然方便、簡單，但由于信息較少，存在較大的安全隱患，而且是接觸式采集，應用受到一定的限制；虹膜識別精度最高，但采集設備成本高，采集過程復雜，應用也受到較大限制。掌紋識別是近十多年來發(fā)展起來的一種生物特征識別技術，相比其它生物特征識別技術具有較大的優(yōu)勢：具有穩(wěn)定的生物特征信息，可以低分辨率識別，采集設備成本低，而且可以進行非接觸式采集，對人體無傷害、方便快捷，適合開發(fā)便攜式設備。當前的掌紋識別技術絕大多數都是采用接觸式采集方式，而且一般采用封閉的環(huán)境，提供單一的背景，這樣方便掌紋定位和ROI選取，同時也避免外界光照的影響，有助于特征提取。但這樣在實際應用中受到了較大的限制，首先接觸式采集存在公共環(huán)境衛(wèi)生問題，用戶接受程度受到較大限制；其次，接觸在傳感器表面的掌紋信息可能被盜用，存在安全隱患；再有封閉式單一背景采集環(huán)境使得采集設備體積較大，不方便便攜式應用。當今，基于手部特征的識別系統(tǒng)已經朝著非接觸式、便攜式方向發(fā)展，用戶不用將手接觸、固定在某一位置，而且可以在開放式環(huán)境下應用，大大提高了使用的方便性。但這樣的采集方式對于后續(xù)的識別帶來了一定的困難：手的位置和方向不能固定，在掌紋定位方面就不能像接觸式采集下那么容易；手離開采集鏡頭的距離不能固定，對于定焦鏡頭可能產生一定的模糊，勢必會對識別率產生一定的影響；非封閉環(huán)境，外界光照會對特征信息帶來影響；非單一背景對手部位置的定位和提取增加了困難。掌紋特征提取是識別的關鍵，國內外許多學者在此方面進行了大量的研究，提出了許多算法，這些方法可以歸納為兩大方面，一個是基于結構特征，另一個是基于統(tǒng)計規(guī)律。前者主要是提取掌紋的主線、褶皺等真實的結構來代表掌紋特征，這種方式雖然能比較直觀提取掌紋特征，但往往需要高分辨率的圖像才能提取到完整的結構，這必然會增加硬件成本同時也會增加計算量，不適合實時應用；后者是在掌紋的灰度圖像上對像素的灰度值進行統(tǒng)計分析，找到能夠代表掌紋的統(tǒng)計規(guī)律作為特征，常用的方法包括主元分析（PCA）、Fisher線性判別（FLD）、獨立主元分析（ICA）等，這些方法在一定領域都得到了較好的識別效果。但它們都需要大量的樣本進行訓練來構建特征空間，而且每來一個新樣本都需要對整個數據進行重新訓練，這就大大限制了實時掌紋識別系統(tǒng)的應用。另外，現有的特征提取方法都是在歸一化的掌紋ROI上進行的，這就需要對圖像進行縮放，必然會帶來一定的誤差。

技術實現要素：
：發(fā)明目的：本發(fā)明提供一種開放式環(huán)境非接觸采集下的掌紋識別方法，其目的是解決現有的掌紋識別技術對采集條件要求高，適用性差、穩(wěn)定性以及效果不是很好的問題。技術方案：本發(fā)明是通過以下技術方案來實現的：一種開放式環(huán)境非接觸采集下的掌紋識別方法，其特征在于：所述方法的具體步驟如下：（1）人手圖像采集；將人手自然張開，中指豎直向上，放在攝像頭前一定范圍內；（2）手輪廓提取建立膚色模型，將手輪廓從復雜背景中提取出來；（3）手輪廓關鍵特征點定位；定位并提取食指、中指、無名指和小拇指指尖點，食指與中指間的指根點，無名指與小拇指間的指根點；（4）掌紋ROI提取利用提取的特征點建立新的坐標系，提取掌紋ROI；（5）掌紋特征向量提?。焕谜萍y紋理的不規(guī)則性建立紋理基元來統(tǒng)計紋理變化特征，從而描述掌紋圖像；（6）掌紋特征匹配與識別對測試集中將所有樣本分別與數據庫中的已分類樣本特征進行余弦相似度計算，把相似度最大的兩幅圖片歸為一類，實現對掌紋圖像的識別。所述的開放式環(huán)境是指具有復雜背景和一定光照變化條件下，人手自然張開，中指豎直向上，非接觸、非固定位置進行圖像采集?！埃?）”步驟中掌紋特征匹配與識別：采用余弦相似度進行特征匹配，公式如下：式中，xs與xt分別表示兩幅掌紋圖像的特征向量，Dst為它們的余弦相似度，Dst的值越大表明兩幅圖像越相似；對測試集中將所有樣本分別與數據庫中的已分類樣本特征進行余弦相似度計算，把相似度最大的兩幅圖片歸為一類，實現對掌紋圖像的識別?！埃?）”步驟中的手輪廓提取為基于膚色模型的手輪廓獲取，具體為：采用高斯分布來描述膚色分布模型，某像素的膚色相似度可表示為：p＝exp[-0.5(x-m)TC-1(x-m)]其中，x表示YCbCr空間中的一個像素值，m為空間中像素的均值；c為協方差矩陣；利用多幅不同光照、不同背景下的彩色圖片可以計算出膚色相似度，最后通過設定一定大小的閾值就可以將手部圖像從背景中分割出來。特征點定位的具體步驟為：1）在經過膚色模型分割出的二值圖像上，采用輪廓跟蹤算法從手圖像最左端第一個輪廓點作為起始點，按順時針方向跟蹤手輪廓的8鄰域鏈碼信息，記錄手輪廓邊界點坐標；2）尋找中指指尖點：由于在圖像采集過程中要求中指豎直向上，那么中指指尖點應該在手圖像的最上端；找到手輪廓坐標中橫坐標最小的那一行即為中指指尖點所在行；若在該行中中指上端邊緣存在多個像素為零的點，則取中間位置的那一點為中指指尖點Iz；3）尋找無名指指尖點：從中指指尖點所在行的下一行開始向左對每一行進行逐點掃描，直到找到某行中像素點第二次為零為止，則該行即為無名指指尖點所在行；若在該行中無名指的上端邊緣存在多個像素為零的點，則取最最左端的那一點為無名指時間點IW；4）尋找食指指尖點：按照步驟3）中的方法，從中指指尖點開始向右掃描，找到食指上端最右邊像素為零的點確定為食指指尖點IS；5）尋找小拇指指尖點：按照步驟3）中的反復，從無名指指尖點開始先左掃描，找到小拇指上端最左邊像素為零的點確定為小拇指指尖點IX；6）尋找食指與中指間的指根點：從食指指尖點為起點逆時針沿著手輪廓到中指指尖點終止，計算這段范圍內所有手輪廓上的點到食指指尖點和中指指尖點距離的和，取和的最大值所對應的手輪廓點為食指與中指間的指根點Ig1；7）尋找無名指與小拇指間的指根點：按照步驟6）中的辦法計算得到無名指與小拇指間的指根點。掌紋ROI是利用食指與中指之間的指跟點和無名指與小拇指之間的指跟點兩點的連線及其中點垂線為坐標軸建立新的坐標系，采用相對長度L截取方形掌紋有效區(qū)域來獲得。在進行掌紋特征提取前，不需要對掌紋ROI進行歸一化。掌紋ROI特征提取過程如下：ROI提取的具體步驟如下：1）連接Ig1與Ig2兩指根點，計算線段的長度，記為D；做出線段的垂直平分線，建立新的坐標系；2）計算線段與水平方向的夾角α，將圖像順時針旋轉α度角；3）在旋轉后的新圖像中，距離線段向下D/5處，以長度D為邊長截取方形區(qū)域；此方形區(qū)域即為掌紋感興趣（ROI）區(qū)域；特征提取過程如下：首先建立一個由中心元素和周圍8個相鄰的像素點組成的3*3的紋理基元，分別比較這8個元素與中心元素灰度值，根據小于，等于和大于三種不同情況賦予不同的代表值，則這8個元素的代表值構成的向量即為一種紋理基元模式，當元素灰度值小于中心元素灰度值時賦予2，等于時賦予1，大于時賦予0.為了方便表示紋理基元模式，給每一種紋理基元模式建立一個編號：由于mi有三種可能值，則在一幅圖像中就可能出現是紋理基元模式的個數為38；將紋理基元以左到右、從上到下的順序滑過整幅掌紋ROI，在每一幅圖像中統(tǒng)計編號值為n的模式出現的頻次Fj，定義這些頻次按順序組成的向量為V＝{Fj,j＝0,1,2,…38-1}如果圖像中不存在某個編號的模式，則該編號模式的頻次為零，那么每個向量的長度都為38；不同掌紋圖像得到的向量V是不同的，故可以用V來表示一幅圖像的特征；另外考慮到掌紋紋理的局部特征，可以將掌紋ROI進行分塊特征提取，然后將這些分塊的特征組合起來表示掌紋圖像的特征。優(yōu)點及效果：本發(fā)明提供一種開放式環(huán)境非接觸采集下的掌紋識別方法，其特征在于：所述方法的具體步驟如下：（1）人手圖像采集；將人手自然張開，中指豎直向上，放在攝像頭前一定范圍內；（2）手輪廓提取建立膚色模型，將手輪廓從復雜背景中提取出來；（3）手輪廓關鍵特征點定位；定位并提取食指、中指、無名指和小拇指指尖點，食指與中指間的指根點，無名指與小拇指間的指根點；（4）掌紋ROI提取利用提取的特征點建立新的坐標系，提取掌紋ROI。（5）掌紋特征向量提??；利用掌紋紋理的不規(guī)則性建立紋理基元來統(tǒng)計紋理變化特征，從而描述掌紋圖像。（6）掌紋特征匹配與識別對測試集中將所有樣本分別與數據庫中的已分類樣本特征進行余弦相似度計算，把相似度最大的兩幅圖片歸為一類，實現對掌紋圖像的識別。本發(fā)明掌紋識別技術對采集條件要求不高，可以適應絕大多數場合，實用性非常廣泛，且穩(wěn)定性高，對掌紋的識別效果非常理想。附圖說明：圖1是本發(fā)明的方法步驟的流程框圖；圖2是本發(fā)明的經過膚色模型分割后的二值圖，其中，a)為原始圖，b)為二值圖；圖3是本發(fā)明的手輪廓關鍵點定位圖；圖4是本發(fā)明的掌紋ROI提取過程及特征提取示意圖；圖5是本發(fā)明的紋理基元結構示意圖圖6是本發(fā)明的掌紋ROI動態(tài)提取圖；圖7是本發(fā)明不同采集距離下的識別結果；具體實施方式：下面結合附圖對本發(fā)明做進一步的說明：本發(fā)明提供一種開放式環(huán)境非接觸采集下的掌紋識別方法，所述方法的具體步驟如下：（1）人手圖像采集；將人手自然張開，中指豎直向上，放在攝像頭前一定范圍內；（2）手輪廓提取建立膚色模型，將手輪廓從復雜背景中提取出來；（3）手輪廓關鍵特征點定位；定位并提取食指、中指、無名指和小拇指指尖點，食指與中指間的指根點，無名指與小拇指間的指根點；（4）掌紋ROI提取利用提取的特征點建立新的坐標系，提取掌紋ROI。（5）掌紋特征向量提??；利用掌紋紋理的不規(guī)則性建立紋理基元來統(tǒng)計紋理變化特征，從而描述掌紋圖像。（6）掌紋特征匹配與識別采用余弦相似度進行特征匹配，公式如下：式中，xs與xt分別表示兩幅掌紋圖像的特征向量，Dst為它們的余弦相似度，Dst的值越大表明兩幅圖像越相似。對測試集中將所有樣本分別與數據庫中的已分類樣本特征進行余弦相似度計算，把相似度最大的兩幅圖片歸為一類，實現對掌紋圖像的識別。圖1是開放式環(huán)境非接觸采集下的掌紋識別方法的流程圖，包括人手圖像采集、基于膚色模型的輪廓提取，關鍵點定位、掌紋ROI提取、建立基元模型、掌紋特征提取、匹配與識別等步驟。其中圖像采集過程中要求人手自然張開、中指豎直向上放在采集攝像頭前一定距離內即可。該系統(tǒng)工作在白天辦公室工作環(huán)境下，不需要單獨提供光源，也不用限定單一背景。圖2是基于膚色模型的手輪廓獲取人類的膚色具有聚類性，利用統(tǒng)計學的原理可以采用高斯分布來描述膚色分布模型。某像素的膚色相似度可表示為：p＝exp[-0.5(x-m)TC-1(x-m)]（2）其中，x表示YCbCr空間中的一個像素值，m為空間中像素的均值；c為協方差矩陣。利用多幅不同光照、不同背景下的彩色圖片可以計算出膚色相似度，最后通過設定一定大小的閾值就可以將手部圖像從背景中分割出來。圖3是手輪廓關鍵點定位過程，其定位具體步驟如下：1）在經過膚色模型分割出的二值圖像上，采用輪廓跟蹤算法從手圖像最左端第一個輪廓點作為起始點，按順時針方向跟蹤手輪廓的8鄰域鏈碼信息，記錄手輪廓邊界點坐標。2）尋找中指指尖點：由于在圖像采集過程中要求中指豎直向上，那么中指指尖點應該在手圖像的最上端。找到手輪廓坐標中橫坐標最小的那一行即為中指指尖點所在行。若在該行中中指上端邊緣存在多個像素為零的點，則取中間位置的那一點為中指指尖點Iz。3）尋找無名指指尖點：從中指指尖點所在行的下一行開始向左對每一行進行逐點掃描，直到找到某行中像素點第二次為零為止，則該行即為無名指指尖點所在行。若在該行中無名指的上端邊緣存在多個像素為零的點，則取最左端的那一點為無名指時間點IW。4）尋找食指指尖點：按照步驟3）中的方法，從中指指尖點開始向右掃描，找到食指上端最右邊像素為零的點確定為食指指尖點IS。5）尋找小拇指指尖點：按照步驟3）中的反復，從無名指指尖點開始先左掃描，找到小拇指上端最左邊像素為零的點確定為小拇指指尖點IX。6）尋找食指與中指間的指根點：從食指指尖點為起點逆時針沿著手輪廓到中指指尖點終止，計算這段范圍內所有手輪廓上的點到食指指尖點和中指指尖點距離的和，取和的最大值所對應的手輪廓點為食指與中指間的指根點Ig1。7）尋找無名指與小拇指間的指根點：按照步驟6）中的辦法計算得到無名指與小拇指間的指根點圖4是掌紋ROI提取過程及特征提取示意圖，ROI提取的具體步驟如下：1）連接Ig1與Ig2兩指根點，計算線段的長度，記為D。做出線段的垂直平分線，建立新的坐標系。2）計算線段與水平方向的夾角α，將圖像順時針旋轉α度角。3）在旋轉后的新圖像中，距離線段向下D/5處，以長度D為邊長截取方形區(qū)域。此方形區(qū)域即為掌紋感興趣（ROI）區(qū)域。特征提取具體過程如下：1）紋理基元建立紋理基元的結構為圖像中一個相鄰的3*3的方形區(qū)域，如圖5所示。該結構由中心元素和周圍8個相鄰的像素點組成，數字表示在該結構中圖像像素點的排列順序。一種紋理基元模式由中心元素和相鄰的8個元素之間的關系來表示：分別比較這8個元素與中心元素灰度值，根據小于，等于和大于三種不同情況賦予不同的代表值，則這8個元素的代表值構成的向量即為一種紋理基元模式，記為：M＝{m1,m2,…m8}（3）其中，mi∈{0,1,2}，即當元素灰度值小于中心元素灰度值時賦予2，等于時賦予1，大于時賦予0.為了方便表示紋理基元模式，給每一種紋理基元模式建立一個編號：由于mi有三種可能值，則在一幅圖像中就可能出現是紋理基元模式的個數為38。2）特征提取將紋理基元以左到右、從上到下的順序滑過整幅掌紋ROI，在每一幅圖像中統(tǒng)計編號值為n的模式出現的頻次Fj，定義這些頻次按順序組成的向量為V＝{Fj,j＝0,1,2,…38-1}（5）如果圖像中不存在某個編號的模式，則該編號模式的頻次為零，那么每個向量的長度都為38。不同掌紋圖像得到的向量V是不同的，故可以用V來表示一幅圖像的特征。另外考慮到掌紋紋理的局部特征，可以將掌紋ROI進行分塊特征提取，然后將這些分塊的特征組合起來表示掌紋圖像的特征。實施例：本發(fā)明采用的掌紋采集鏡頭為130萬像素的普通攝像頭，拍攝圖像時要求人手自然張開，與鏡頭基本平行，中指豎直向上即可。采集到的彩色圖像大小為640*480。利用本發(fā)明所設計的采集系統(tǒng)建立了一個50人的小型數據庫，其中包括30名男性的掌紋圖像和20名女性的掌紋圖像。每人在不同光照和不同背景下分別采集10張圖片，這樣采集到500副掌紋圖像用于算法測試。1）ROI提取實驗掌紋ROI的準確提取是進行掌紋識別的前提條件，根據本發(fā)明提出的手輪廓跟蹤和掌紋ROI定位算法在多種實驗環(huán)境下進行了一系列的實驗：包括復雜的背景，如柜子、門窗、墻壁、電腦、窗簾等；包括采集者本身的人臉甚至是其它人的人臉在內（排除人臉的方法是根據人手部圖像面積在整個圖像所占比例較大）；人手距離鏡頭遠近不同（當然人手不能距離鏡頭太遠，否則信息太少影響識別率）；采集環(huán)境的照明條件有所變化等。其提取結果如圖6所示?？梢钥闯?，本發(fā)明提出的算法在動態(tài)環(huán)境下性能很好，表現出較強的魯棒性。2）離線識別實驗結果與分析在所建立的50人的小型數據庫上進行實驗來驗證本發(fā)明提出算法識別精度和執(zhí)行效率。在每個人所采集的10副圖像中任取3副作為已分好類的注冊圖像，其它7副作為測試圖像。即每幅圖像經過特征提取后分別與已注冊圖像進行匹配，然后進行識別分類。經過測試，在等錯誤率EER為2.98%，正確識別率CRR=97.85%，每副掌紋圖像的平均特征提取時間為0.206s。上述實驗是將掌紋ROI分成2*2塊進行特征提取。本發(fā)明進行了分塊特征提取研究對比實驗，其結果如表1所示。實驗結果表明，分塊與未分塊的特征提取時間相當，但分為2*2塊時，識別率最高，未分塊和分過多的塊識別率降低，這表明局部特征對識別精度有影響，但本發(fā)明采用的是統(tǒng)計方法，分塊過多會導致統(tǒng)計規(guī)律變差，所以也會使識別精度下降。另外分塊過多會使得圖像特征向量維數增高，大大降低匹配速度。表1分塊特征提取比較經研究發(fā)現，出現錯誤識別的手圖像主要集中在兩類圖像上，一類是手離鏡頭過遠，采集到的掌紋圖像過小而丟失了過多的信息導致識別錯誤；另一類是手平面與鏡頭成像平面的夾角較大導致掌紋圖像變形嚴重而出現識別錯誤。采用本發(fā)明提出的紋理基元特征提取方法不用對圖像進行歸一化，都是在原始的掌紋ROI上進行特征提取，減少了由于歸一化過程中帶來的誤差。本發(fā)明對掌紋ROI歸一化和未歸一化進行了特征提取對比實驗，其結果如表2所示，特征提取采用掌紋ROI2*2分塊方法，實驗結果表明，進行掌紋ROI歸一化后，識別率略有下降。表2掌紋ROI歸一化與未歸一化對比結果為了驗證本發(fā)明提出的基于紋理基于特征提取方法的有效性，和一些常用的特征提取方法進行比較。由于沒有符合本發(fā)明采集條件下的公開掌紋數據庫，只能利用本發(fā)明所建立的50人數據庫測試其它算法。對比了掌紋識別中一些常用的特征提取方法，包括PCA方法、2DGabor方法和2DFisher方法。這三種方法采用歐式距離進行特征匹配，它們在特征提取前首先要進行掌紋ROI歸一化，本發(fā)明在實驗中統(tǒng)一歸一化為128*128大小。比較結果如表3所示。實驗結果表明采用紋理基元進行特征提取，無論在提取時間還是識別率上都表現出了優(yōu)勢。表3不同特征提取方法下的識別結果比較3）在線識別系統(tǒng)接下來對本發(fā)明所開發(fā)的掌紋識別系統(tǒng)進行在線實時識別測試實驗，即實時采集掌紋圖像與數據庫中所注冊的圖像進行一對多匹配。從采集一幅圖像、基于膚色的手輪廓跟蹤、掌紋ROI提取、特征提取到給出掌紋匹配識別結果，總共花費的時間為2.356s。表明采用該方法建立的掌紋識別系統(tǒng)能夠適合在線實時應用。由于非接觸式采集方式無法固定手與攝像頭的距離，接下來本發(fā)明進行了手與攝像頭在不同距離下采集圖像的識別實驗。在數據庫存在的用戶中隨機選擇了20個人進行測試，讓他們將手放在攝像頭前不同距離進行識別測試，每一個人在每一個位置上進行5次測試，測試結果如圖7所示。結果表明該系統(tǒng)在手與攝像頭距離45-50cm附近采集手圖像時識別率最高，在距離小35cm時由于距離太近而使手指超出圖像范圍無法進行ROI提取，就無法進行識別。而當采集距離大于55cm后，采集到的手圖像逐漸縮小而使掌紋信息丟失過多導致識別率下降。