基于编码的掌纹掌脉融合识别技术及其在地铁环境中的应用

基于编码的方法是指先用滤波器对掌纹图像滤波，之后根据某些规则将滤波后的结果进行编码的方法。通常特征都按照比特码的形式存储，对得到的特征码多采用二进制的“与”或者“异或”计算相似度。该类方法主要包括三个核心部分：滤波器的选择（Gabor，高斯，高斯的导数），编码规则（最大值，序数关系），以及匹配方式（点对点，点对区域）。

编码的方法首先由Daugman提出并应用于虹膜识别，该方法使用2D Gabor滤波器对虹膜图像滤波，之后根据滤波结果的实部和虚部的符号编码。若为正则编码为1，否则编码为0，每个采样点被编码为2个比特。有文献直接将该方法用于掌纹识别中，提取的特征码称为palm code。由于只使用了一个方向为45±的Gabor滤波器，不同手掌滤波后的掌纹图像都非常相似（表现为包含很多45±的条纹），这无疑会降低掌纹的可分性，从而影响掌纹识别系统的性能。为了克服这个缺点，Kong等提出了一种称为fusion code的方法。在用两个方向的Gabor滤波器对掌纹图像滤波之后，对每个采样点，编码幅值最大的方向的相位信息。相位信息被量化到四个区间，因此每个采样点同样被编码为2个比特。相比于palm code，fusion code方法同时利用了幅值和相位信息，因此获得了更好的识别性能。Wu等提出利用高斯函数的导数作为滤波器，在水平和垂直方向对图像滤波，最后根据滤波结果的符号编码，称作DoG code。实验结果表明该方法优于fusion code和palm code。Kong等在文献中提出使用六个方向的实值Gabor滤波器对掌纹图像滤波，并对幅值最小的方向编码，称为竞争编码（competitive code）。在每个采样点被巧妙地编码为三个比特之后，可以通过二进制的异或操作高效地计算出采样点间的角度距离。为了克服预处理带来的平移对匹配产生的影响，在匹配阶段需要在［-2，+2］的范围内进行竖直和水平方向上平移，并取距离最小的匹配结果作为最终的距离。由于竞争编码考察了掌纹图像的方向信息，对光照强度不敏感，而且对不同时期采集的掌纹有很好的稳定性，因此获得了很高的识别精度。简单的异或操作也使得匹配速度非常快，因此该方法是一种非常有效的掌纹识别算法。

Sun等在文献中提出了一种不同的编码方法，称为ordinal code。该方法选择六个方向的2D高斯函数作为滤波器，之后根据互相垂直的两个方向（共有三组）上滤波结果的大小关系编码。因此与竞争编码相同，该方法中每个采样点同样被编码为三个比特。匹配时同样采用二进制的“异或”操作。由于该方法考察的是不同方向滤波结果的大小关系，而滤波是一个线性操作，因此可以在对图像滤波之前先进行滤波器的组合：对三组方向互相垂直的滤波器作差，得到三个新的滤波器，这样用得到的滤波器对图像滤波后只需考察结果的正负。所以，对每个采样点，该方法只需进行三次滤波操作，特征提取阶段的效率要高于竞争编码。此外，序数编码对于每个采样点共有23=8种编码方式，而竞争编码只使用了其中的6种。仔细分析竞争编码与序数编码方式可知，这两种方法都将掌纹看作由有方向的纹线构成，考虑了每个采样点在六个不同方向上的信息。不同的是，竞争编码选择最主要的方向作为特征，而序数编码考虑了三组互相垂直的两个方向间的相互关系。由于除少数交叉点外，大多数掌纹纹线只有一个方向，该方向上的滤波结果为各方向上的极值，而在其他方向上滤波结果及其相互关系并不稳定，易于受噪声的干扰。因此与序数编码相比，对于掌纹识别，竞争编码提取的特征更加稳定，因此识别精度更高。

最近，Jia等提出了一种鲁棒的线方向编码方法（robust line orientation code，RLOC）。RLOC是一种利用改进的有限Radon变换（finite Radon transform，FRAT）来提取掌纹的线特征的识别方法。Radon变换可以有效地提取图像中的线特征，而有限Radon变换使得它可以处理有限长度的信号。为了去除FRAT的环绕（wrap around）效应，改进的FRAT采用了通过中心的不同方向的线性模板。在匹配过程中，为了克服掌纹的非线性形变带来的误差，RLOC采用了点对区域的匹配方式，即待匹配图像中的一个点与模板中以该点位置为中心的一个区域中的所有点匹配，匹配时采用的是二进制的“与”操作。由于采用了整数值的模板，这种方法在特征提取时速度非常快，但点对区域的匹配方式使得匹配时速度较慢。(www.xing528.com)

对比RLOC与竞争编码，我们发现两者都是通过竞争规则编码六个方向中的主方向，而区别则是采用不同的滤波器（Gabor或改进的FRAT）以及不同的匹配方式（点对点或点对区域）。由于文献中的实验结果表明RLOC优于竞争编码，因此有必要考察滤波器和匹配方式对性能产生的影响。根据评测结果，滤波器对算法的识别性能影响并不大，因此可以推断，性能的提升来自点对区域的匹配方式，而不是改进的FRAT。对竞争编码或序数编码提取的特征采用点对区域的匹配方式也会提升原方法的性能。有文献最近提出了一种称为二值方向共生向量（binary orientation co-occurrence vector，BOCV）的掌纹识别方法。该方法同样利用六个不同方向的Gabor滤波器对掌纹图像滤波，之后对结果的过零点信息进行编码，每个点被编码为六个比特。匹配时与竞争编码类似，采用异或操作计算汉明距离。实验结果表明该方法优于竞争编码和RLOC。由此可以看出，不同方向的滤波结果都包含丰富的判别信息，将其全部作为特征提取出来，在识别性能上要优于提取主方向（竞争编码）或两两垂直的方向间的相互关系（序数编码）。但这种方法的缺点是特征较大，为竞争编码或序数编码的两倍。基于编码的方法最初借鉴了虹膜识别的方法，之后研究人员根据掌纹的特点提出了一些改进方案。从利用幅值和相位信息，到提取掌纹的方向信息；从单个滤波器，到使用不同方向的一组滤波器（filter bank），实验结果表明这些改进是可行的和有效的。相比于前几类方法，这类方法具有识别率高、特征小、特征提取及匹配速度快、实现简单等特点，因此最具有竞争力。

除了上述归类的各种方法之外，还有其他一些方法，例如共生滤波器、时间序列、余弦向量、曲线波等，在掌纹识别中也都得到了很好的应用。