3.2.3.1 PolyU数据库上的实验
为了测试本节所提出方法的鲁棒性，我们在公开的PolyU掌纹数据库上进行了一系列实验，来测试该方法对旋转、平移、尺度变换和光照变化等因素的鲁棒性。公开的PolyU掌纹数据库是香港理工大学张大鹏教授率领的生物特征识别团队建立，版本1中包括来自50人、100只手掌的600个掌纹图像样本。所有图像分两次采集得到，每次对每只手掌采集3幅图像，版本2中包括193人、386只手掌的7752幅图像。所有图像分两次采集得到，每次对每只手掌采集约10幅图像。在两次采集过程中，研究人员更换了设备的光源并对其照明系统进行了改造，因此部分掌纹在不同阶段采集的图像会有较为明显的亮度差异。从任意一名用户的注册掌纹图像中提取出一个ROI图像作为该用户的模板图像，通过对原始掌纹图像进行简单的图像处理操作后，分别得到平移、旋转和缩放后的图像，另外我们还选取了不同光照下采集的该用户掌纹图像和其他用户的掌纹图像。
首先通过SIFT方法将模板图像分别与原始掌纹图像、平移后图像、旋转后图像、缩放后图像、不同光照图像和其他用户图像进行了匹配判别，性能测试结果如图3.11所示。在具体的SIFT方法实验过程中，匹配分数Score由上面公式得到，模板图像具体大小选取为64×64。从实验结果可以看出，我们所提出的应用于掌纹识别的SIFT方法对于掌纹图像的平移、旋转、缩放和光照变化具有一定的鲁棒性。
同样的做法，将fractal code也应用于掌纹识别方法中，匹配分数Score可由上面公式得到。为了便于比较，模板图像大小同样选取为64×64，本实验中的参数k取为4。与SIFT方法类似，同样将模板图像分别与原始图像、平移后图像、旋转后图像、缩放后图像和其他用户图像进行匹配判别，性能测试结果如图3.12所示。从实验结果可以看出，该方法对掌纹图像的平移、旋转、缩放也具有一定的鲁棒性。
图3.11 SIFT方法的性能测试
图3.12 fractal code方法的性能测试
我们在PolyU版本1数据库中对本节所提出的应用景象匹配的掌纹识别方法进行了实验验证，并与目前比较流行的掌纹特征提取算法（2D Gabor、fusion code和ordinal code）进行了性能比较。
根据这些匹配结果，得到了景象匹配方法的类内和类间匹配结果分布图如图3.13所示。由SIFT方法的类内和类间匹配结果分布图可以看出，类内匹配结果曲线的峰值处于匹配分数为0的位置，类间匹配结果曲线的峰值处于匹配分数为28的位置，两个峰值分布得比较开，类间匹配结果曲线和类内匹配结果曲线相交区域很小，充分说明该方法识别效果很好。fractal code类内匹配结果曲线的峰值处于匹配分数为17的位置，类间匹配结果曲线的峰值处于匹配分数为27的位置，相较于SIFT方法，该方法的类间匹配结果曲线和类内匹配结果曲线相交区域要大一些，峰值相距远一些，识别效果稍差些。
图3.13 景象匹配方法在PolyU数据库上的类内类间匹配分布图
景象匹配方法、2D Gabor、fusion code和ordinal code的ROC曲线如图3.14所示，从图上可以看出，fractal code和SIFT方法的EER分别为0.6%和0.4%，而2DGabor、fusion code和ordinal code的EER分别为0.54%、0.18%和0.1%。
(www.xing528.com)
图3.14 景象匹配方法、2D Gabor、fusion code和ordinal code在PolyU数据库上的ROC曲线图
对上述几种算法进行综合比较，比较结果如表3.2所示：
在景象匹配方法中，识别阶段不再需要对样本图像进行预处理和ROI提取等操作，系统响应时间只是特征提取和匹配判别的时间。从表中可以看出fractal code的总体响应时间仅为20 ms，比其他几种耗时都少很多。这主要是因为fractal code分块和编码耗时极小，可以忽略，主要耗时在搜索匹配上，而采用了金字塔分层搜索策略和像素点跳跃加速的匹配算法使得搜索匹配时间大为减少。而SIFT方法总体响应时间高达500 ms，主要原因是尺度空间极值检测、特征点描述和消除不稳定点等操作较为耗时。本文所提出的基于景象匹配的掌纹识别方法在PolyU数据库上的识别性能比fusion code和ordinal code方法差一些，比传统的2D Gabor方法稍好一些。
表3.2 几种算法在PolyU数据库上的综合对比
3.2.3.2 NUDT数据库上的实验
我们通过基于摄像头的掌纹采集设备建立了一个包含800幅掌纹样本图像的NUDT数据库，它是通过对100个用户每人采集8张样本图像组成。该掌纹采集设备没有采取固定销等措施来限制用户手掌的放置，因此该掌纹数据库中用户手掌放置的自由度很大，并且在采集样本过程中要求用户手掌进行较大幅度的平移和平面旋转等操作，因此图像质量比公开PolyU掌纹数据库差很多，识别的难度也较大，同一用户的几幅样本掌纹图像如图3.6所示，明显看出该掌纹数据库的图像质量不高，识别难度非常大。
为了比对的统一性起见，将模板图像（ROI图像）的尺寸也取为128×128，数据库为100类每类8张样本图像，即总共得到个类间匹配结果和792×100=79200个类内匹配结果。景象匹配方法在NUDT数据库上的类内和类间匹配分布图如图3.15所示，可以看出景象匹配方法的类内和类间匹配曲线依然分布比较开，相交区域也很小，即它在NUDT数据库上识别性能依然比较良好。也很小，即它在NUDT数据库上识别性能依然比较良好。
图3.15 景象匹配方法在NUDT数据库上的类内类间匹配分布图
景象匹配方法、2D Gabor、fusion code和ordinal code在NUDT数据库上的ROC曲线图如图3.16所示，由图中可以看出，相较于PolyU数据库上的结果，2D Gabor的EER从0.54%涨到了1%，fusion code的EER从0.18%涨到了0.65%，ordinal code的EER则从0.1%涨到了0.68%。而SIFT和fractal code的EER分别为0.46%和0.62%，仅比PolyU数据库上结果多一点点，充分说明所提出的景象匹配方法对于低质量的掌纹图像识别性能依然较好，主要原因在于NUDT数据库的图像质量不高，预处理难度较大，传统的ROI提取步骤有时难以奏效，造成2D Gabor、fusion code和ordinal code算法的性能大幅度降低，而本章所提出的景象匹配方法在用户识别阶段避开了预处理步骤，低质量掌纹图像对其性能影响不大。
图3.16 景象匹配方法、2D Gabor、fusion code和ordinal code在NUDT数据库上的ROC曲线图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
