基于结构特征的方法：掌纹掌脉融合识别技术在泛地铁环境中的应用

基于结构特征的方法是提取掌脉的线特征或点特征表示掌脉。对于线特征的提取，是将掌脉看做一种边缘信息，利用边缘检测算法或其他线检测方法获得掌脉线。对于点特征则提取掌脉的分叉点、末端点或某些角点来表示掌脉特征。

（1）提取静脉长度和细节点来识别和匹配掌脉。先用Niblack算法将原图像二值化，以中值滤波去噪声，再以细化算法细化图像从而获得掌脉线的细节点位置信息，最后以文献中的方法对这些位置信息进行匹配。

（2）基于尺度不变特征变换（scale invariant feature transform，SIFT）角点提取掌脉特征的方法。通过在不同尺度空间检测角点，计算角点邻域的梯度方向直方图，生成SIFT特征向量，然后采用SIFT特征向量的欧氏距离完成匹配。这种方法对旋转和平移的鲁棒性很强，但是匹配速度慢。有研究者分别用SIFT算子、加速鲁棒性特征（speededup robust features，SURF）算子、仿射尺度不变特征变换（affine scale invariant feature transform，ASIFT）算子提取掌脉图像的角点特征并以欧氏距离分别匹配识别。发现ASIFT算子识别等误率最低，但识别时间最长。

（3）利用掌脉的分叉点和末端点特征提取掌脉特征。将细化后的掌脉图像上各点分成0邻域、1邻域、2邻域和大于2邻域四类，从而提取分叉点和末端点作为图像的细节点序列。各点之间的距离升序生成一个距离矢量模板，为后续匹配提供依据。该文献指出掌脉图像ROI区域中平均有13个特征点，包括7个分叉点和6个末端点。(www.xing528.com)

（4）掌脉中的曲线段可以用中值夹角链码描述。通过中值迭代将细化后的静脉曲线段用一组变长线段拟合。利用距离法则来计算并控制拟合误差，在允许的误差下，根据相邻线段间的斜度差形成一串角度序列并计算中值夹角链码。采用基于中值夹角链码的算法匹配。该方法保证了拟合精度，减少了计算量。

这些提取结构特征的掌脉识别方法容易因掌脉信息模糊而丢失部分点、线特征，从而可能对识别性能有所影响。