Moiré预处理：掌纹掌脉融合识别技术的应用案例

虽然moiré特征是光学和度量学中的一个重要工具，Carlos对moiré特征在指纹识别中的应用进行了初步的研究和探讨，但是对moiré特征在掌纹识别中的应用尚未有研究。在本节中，我们对moiré特征在掌纹特征提取和匹配判别中的应用进行相应的研究和讨论。

由于手掌也包含很多和指纹一样的乳突纹，所以和指纹识别一样，在掌纹图像上也可以提取出这些乳突纹的特征并用于识别。由于数码相机拍摄到的掌纹图像质量高、分辨率比较大，无名指和小指根部中间的乳突纹区域拍摄得非常清晰，完全可以用于身份验证。该区域的环形纹路与指纹纹路非常类似，可以参考非常成熟的指纹特征提取和识别方法，此时参考了Carlos的指纹moiré特征提取的工作，将moiré特征应用到掌纹识别中来，预处理工作的目标是从原始掌纹图像中提取出类似指纹纹路的图像块。

基于moiré特征的掌纹识别算法的预处理详细步骤如下。

1）原始图像二值化

数码相机得到的原始掌纹图像为彩色JPG图像，如图3.2（a）所示，首先将其转换为灰度图像。采集到的掌纹图像中含有不同程度的噪声，运用高斯低通滤波器对图像进行平滑滤波，滤去一些噪声。高斯平滑滤波器可以通过高斯核函数来生成，其二维空间的分布方程为：

图3.2　预处理主要步骤

通过对灰度图像进行整体阈值化得到二值化图像，如图3.2（b）所示，即为：

2）ROI提取

为了从掌纹图像中提取出ROI，有必要建立一个统一的坐标系，需要在掌纹图像中确立两个特征点来定义一个统一的坐标系。

首先通过应用Canny算子对二值化图像进行边界跟踪，提取出边界线之后，通过角点检测得到小指右下角点K2和无名指左下角点K1。连接K1和K2为掌纹统一坐标系的横轴，以K1和K2的中点为坐标系原点，建立起统一的坐标系。而我们所感兴趣的乳突纹区域在距离坐标系原点不远处，即可以在坐标系中的预定义位置上提取特定大小的图像区域作为ROI，如图3.2（c）所示。所提取到的ROI图像如图3.2（d）所示。(www.xing528.com)

3）ROI图像二值化

通过对实际提取到的ROI图像进行分析，采用局部阈值法对其进行二值化处理。局部阈值法中每一个像素点的阈值由该点像素值和周围点的局部像素值特性来共同决定。

首先将原始图像平均分割为若干个n×n图像块（n为奇数），计算出每一个图像块的均值m：

假设图像块中心点的灰度值为p，比较图像块灰度均值m与中心点灰度值p来进行像素点二值化，具体可以表示为：

根据Nyquist-Shannon采样定律，当将模拟信号转换为数字信号时，采样频率必须要大于输入信号最大频率的两倍，这样才能保证从采样后的数据重建原始信号时不会发生失真。由于ROI图像的主要特征为环形周期交替的脊线和谷线结构，图像块边长n的选取取决于脊线和谷线的周期性宽度距离w，我们根据经验取边长n=2×w+1。

如果图像块边长选择得过大，不仅窗口边缘的像素点与图像块中心的关系不大，而且计算量也很大；如果边长选择得过小，则图像块可能完全落在ROI图像的脊线或谷线上，会引起脊线的中断或相连。根据对所采集到的ROI图像分析，由于脊线和谷线的宽度一般不超过5个像素，所以本文取参数w=5，n=11，即采用了大小为11×11的图像块进行二值化。

由于该算法的运算量还是较大，因此对该算法进行改进。当图像块向右移动一个像素时，计算新图像块的中值只需去掉原图像块最左边的一列，再加上新图像块最右边的一列。同样，当图像块向左、向下移动一个像素时，也有同样的性质。由此，该算法可大大减少计算次数，达到了加速二值化的目的。

4）平滑增强处理

所得到的二值化处理后图像如图3.2（e）所示，可以看出二值化之后的图像上有很多的毛刺，有些脊线和谷线有断裂和相交的现象，必须要进行平滑增强等操作。

平滑后，使用形态学的开启算子进行处理，对脊线、谷线断裂和空洞进行修复；通过区域连通方法计算出各个连通区域的面积，毛刺噪声一般而言面积比较小，可以直接通过经验阈值法去除。由于皮肤表面限制、采集条件和采集设备等因素的影响，难免会遇到质量较差的图像块，例如脊线连接模糊、连接脊线断开和并行脊线被桥接起来等现象，需要进行图像增强，本章采取的是田捷等人提出的基于Fourier滤波的低质量指纹增强算法，最终效果如图3.2（f）所示。